很多工程师第一次看我们的WT3000A M 系列模组，会卡在一个问题。模组巴掌大，凭什么让一台血压计、一台洗地机跟云端大模型连续对话。我们把它拆成两段来看，端上做干净，云上做聪明。这套架构我们叫 1+1。
WT3000A M 系列目前是两颗。WT3000A M06 走 2.4G WiFi，WT3000A M08 内置 4G Cat.1。两颗模组的端侧能力完全一致，唤醒、降噪、本地识别、音频编解码都是同一套。区别只在通信方式，WT3000A M06 适合本来就有无线网的环境， WT3000A M08 给没有 WiFi、又不想让用户配网的产品用。软件协议也一致，一套代码两套都能跑。后面凡是说 M 系列的能力，两颗都算数。
先把端侧这一段讲清楚。麦克风收到的声音，先过 AEC、ANS、AGC、VAD 这一组算法。AEC 负责消掉设备自己喇叭的回声，ANS 压环境噪声，AGC 拉平音量，VAD 判断哪一帧才是人声。这四步做完，才轮到唤醒和识别。模组端侧能认 200 条自定义词条，像开机、开始清洁、查询记录这类固定指令，不用上云就能响应，速度到毫秒级。OPUS 和 MP3 的音频流编解码也在端侧完成，声音先压成流，再往外传。
传这一段靠的是协议分工，不是一股脑塞进去。控制指令和数据走 MQTT，精准、省流量。音频流走 WebSocket，边说边传，云端也在边识别边回话，不用等整句说完。固件升级和资源文件走 HTTP 下载。M06 通过 2.4G WiFi 把这些报文送上网络，M08 直接走 4G Cat.1，开机就有信号，不用连路由器。
语音到了云端，大模型才接手它最擅长的部分。语音先经 ASR 转成文字，再交给 LLM 做语义理解和对话生成，生成的回答经 TTS 变回语音，沿 WebSocket 流式回灌到模组，模组解码后播放。这个来回我们做了抖动缓冲，弱网下说话不卡顿，对话能连续多轮。云端还管多轮对话的逻辑，记得你上一句问了什么，下一句接着答。
这套分工的好处很直接，端侧扛住了大部分快响应，云端只管它擅长的自由对话。血压计的例子最直观。M08 4G 模组往里一焊，老人按一下开始测，测完问一句我这血压和上周比咋样，声纹识别认出是谁在问，云端把历史数据拉出来分析，再用语音念回去。全程没让用户碰过 WiFi。声音克隆还能把家人的声音存进机器，播报不再是一段冷冰冰的机器音。
儿童的陪伴设备验证过另一条路线。WT3000A M系列已经接好了讯飞和扣子的 AI 模型，唤醒率能做到 95%，角色、音色、声音克隆都能自定义。孩子问地球为什么是圆的，模组把问题送上云，大模型用孩子听得懂的话答回来。开发者不用自己去找大模型厂商谈接入，接口是现成的。
洗地机、厨房电器、学习台灯走的也是同一套架构，区别只在云端的行业知识库。洗地机问红酒渍怎么清理，云端调清洁策略。台灯问李白的诗，云端走知识问答。模组侧的能力不动，变的只是云端喂给大模型的领域内容和回答模板。
远程 OTA 让这套架构能一直长。语音指令库可以后台升级，老用户不用换硬件就能用上新说法。BLE 也保留着，配网和近场调试走它。
写到这，这套架构的意思已经很清楚。M 系列模组把收声、降噪、唤醒、传声这几件脏活揽在端侧，把听懂和答对这件难事交给云端大模型，中间用 MQTT、WebSocket、HTTP 三根管道接好。设备厂要做的，是焊一颗模组、写一套 UART 控制协议，剩下的语音算法和大模型对接，都不用自己从头搭。