你的设备已经连上路由器，手机也能随时给它发消息。可消息停在串口和屏幕里，人不在跟前就听不见。让这台设备开口说话，轻量做法是让联网模块把文字收下来，再交给一颗专门做语音合成的芯片念出来。ESP32 负责联网和收字，WT3000TX 负责把字变成人声，两者之间只用一根串口线。
先说 WT3000TX 这颗芯片。它的核心是颗 32 位处理器，主频最高 240MHz，把语音编码、解码和中英文语音合成做在了一起，封装是 QFN32，边长 4 毫米。控制方式只有一种，UART 串口，默认波特率 9600。主控把一段文字发过去，它就合成为语音从 DAC 输出。查它的说明书能看到，芯片上电默认不播放，有一条 BUSY 状态脚，正在念的时候是低电平，空闲是高电平。音量分 31 级，文字单次合成最多 2K 字节，深休眠时功耗不到 20 微安。
ESP32 是乐鑫的 Wi-Fi 加蓝牙二合一芯片，2.4GHz 频段，支持 802.11 b/g/n，内部是 Xtensa 双核 32 位 LX6，主频也能到 240MHz，片上带了 3 个 UART。工作电压 3.0 到 3.6 伏，深休眠同样只有十来微安。它跑得动 Arduino 和 ESP-IDF，连上家里路由器以后，可以订阅一个 MQTT 主题，也能定时去某个 HTTP 接口拉一条消息。收文字这件事它很拿手。
把两颗芯片接起来不复杂。ESP32 挑一个 UART，TX 接 WT3000TX 的 RX，RX 接对方的 TX，再找一根 GPIO 去读 BUSY 脚。电源上两家逻辑电平都是 3.3 伏，但 ESP32 在 Wi-Fi 发射瞬间电流比 WT3000TX 大不少，所以最好从同一颗 3.3 伏 LDO 取电，两边都按各自说明书把退耦电容焊好，WT3000TX 的 VCC 要并 10 微法加 0.1 微法。
软件流程顺着硬件走。ESP32 先连 Wi-Fi，再订阅主题，收到一段文字载荷，把 UTF-8 转成 WT3000TX 要的 GB2312 编码，按说明书的帧格式封一帧，开头 7E 结尾 EF，中间依次是帧长度、流水号、应答标志、数据帧来源、命令信息和累加和校验，应答标志与数据帧来源按说明书填固定值，通过串口发出去。WT3000TX 念的时候 BUSY 拉低，ESP32 盯着这根脚，等它回高电平再发下一条，通知就不会叠在一起。一段文字超过 2016 字节就分帧，和说明书里的标准调用一致。
落到家里，这套组合能干不少事。门铃有人按，手机推一条访客到了，设备念出来。燃气或者烟雾报警，直接用真人声提醒开窗。给老人定的用药时间到了，播报药名和次数。洗衣机跑完，说一句衣服好了。快递放门口，发条消息它就替你喊一声。这些都是文字进、人声出，不需要设备自己听懂话，只管把收到的内容念准。
做这块方案有个小坑值得提。WT3000TX 采用 GB2312 编码（规格书明确支持），而 ESP32 的字符串多为 UTF-8，直接发送会出现乱码，需要先做编码转换。BUSY 也不能省，省了就可能出现上一条没念完、下一条又压上来，听起来像两个人抢话。把这两点处理好，ESP32 加 WT3000TX 就能用很少的代码，给一堆原本沉默的 Wi-Fi 设备加上一张会说话的嘴。