【ESP32笔记】I2S的音频录制与播放

本节目标：分清 I2S 的三根信号线和三种时序模式，理解 PCM 与 PDM 的区别，能独立看懂 ESP-IDF 5.x 的「PDM 麦克风接收 + 标准 I2S 发送」代码，完成录音与回放实验

一、本节要解决的问题

前面几节打交道的都是「慢变量」：按键、温度、超声波，几百毫秒读一次完全够用。声音不行------要还原一段人声，每秒至少得采几千次，而且采样间隔必须均匀，差一个节拍就会失真。如果把这件事交给 CPU 用 ADC 一点点采，既要保证节拍，又要同时把数据喂给喇叭，很容易顾此失彼。

I2S 就是为音频设计的硬件串行总线：外设自己按位时钟搬数据，CPU 只需要准备一块内存。再配上数字麦克风和数字功放，整条链路可以做到没有一个模拟环节：

环节	模拟方案	I2S 数字方案
麦克风	模拟麦克风 + ADC 连续采样	PDM 数字麦克风，直接输出 1 bit 流
传输	模拟电压走线，容易串扰	三根数字线，抗干扰
功放	DAC + 模拟功放	数字功放芯片内置 DAC
CPU 负担	定时器 + ADC 中断逐点采样	DMA 搬完一块再处理

本节的两个例程是这条链路的两种落地方式：

• audio_record：录 10 秒，存进内部 Flash 的 SPIFFS 分区（/spiffs/record.pcm），然后回放。
• audio_record_sdcard：录 10 秒，按 WAV 格式存进 SD 卡（/sdcard/record.wav），然后回放。WAV 带文件头，拔下卡插电脑就能直接播。

二、硬件基础

2.1 引脚连接

用途	信号	GPIO	对端
I2S 发送	BCLK	GPIO46	功放芯片位时钟
I2S 发送	LRCLK / WS	GPIO9	功放芯片声道选择
I2S 发送	SDOUT	GPIO8	功放芯片数据输入
PDM 接收	PDM_CLK	GPIO3	麦克风时钟
PDM 接收	PDM_DATA	GPIO42	麦克风数据
IO 扩展	I2C SDA / SCL	GPIO10 / GPIO11	XL9555，地址 0x20
SD 卡	CS / MOSI / MISO / SCK	GPIO4 / 5 / 7 / 6	TF 卡座（SPI 模式）

几个容易忽略的点：

• 功放使能不在 SoC 上 。喇叭使能脚接在 XL9555 的 IO0_0 上，必须先把 XL9555 配置成输出再拉高，功放才工作。代码里 xl9555_ioconfig((~(SPK_EN_IO)) & 0xFFFF) 把除 IO0_0 外的引脚全设为输入，只有 IO0_0 是输出。
• 没有用 MCLK 。i2s_std_config_t 里 .mclk = I2S_GPIO_UNUSED；功放只需要 BCLK、WS、DATA 三根线，主时钟由芯片内部自己恢复。
• 麦克风只有两根线。PDM 麦克风不接收采样率参数，它只跟着 CLK 的节拍把 1 bit 数据推上 DATA；采样在麦克风内部完成。
• I2S0 和 I2S1 分工 。ESP32-S3 的 PDM 模式只有 I2S0 支持，所以麦克风固定接 I2S_NUM_0；喇叭用标准模式，接 I2S_NUM_1。两个通道相互独立，可以同时工作。

三、知识点

3.1 三根信号线

信号	全称	作用
BCLK	Bit Clock	位时钟，每个边沿搬一位
LRCLK	Left/Right Clock，也叫 WS	声道选择，频率等于采样率
SD	Serial Data	数据线，MSB 先行
MCLK	Master Clock	主时钟，本实验不用

• 主机（Master）负责产生 BCLK 和 LRCLK，从机（Slave）跟着节拍收发。例程里 ESP32-S3 是主机，麦克风和功放都是从机。
• 一帧 = 一个采样周期（1/fs）。标准 I2S 的一帧固定包含左、右两个槽，单声道时只有一个槽有有效数据，另一个槽补 0。
• 帧内位数 = 位宽 × 槽数。例如 16 bit × 2 槽 = 每帧 32 个 BCLK。

3.2 位宽与位深

课件用一张 32 bit 的时序图区分这两个概念：

• 位宽（word length）：传输时每个样本占用的时钟位数，属于接口设计参数，常见 16/24/32。
• 位深（bit depth）：样本量化后的有效精度，属于数据本身的参数。
• 位宽大于位深时，多出来的低位补 0。例如位宽 32、位深 24：前 24 位是有效数据，后 8 位是 0。

注意：位深决定动态范围，位宽只决定传输时间。用 32 位宽传 16 位深的音频不会更清晰，只是每帧多花了一倍时钟。

3.3 三种时序模式

模式	ESP-IDF 宏	LRCLK 电平	数据延迟	对齐方式
标准（飞利浦）	I2S_STD_PHILIPS_SLOT_DEFAULT_CONFIG	低=左，高=右	1 个 BCLK	MSB 比 LRCLK 跳变晚 1 个 BCLK
左对齐	I2S_STD_MSB_SLOT_DEFAULT_CONFIG	高=左，低=右	无	MSB 与 LRCLK 跳变沿对齐
右对齐	I2S_STD_LSB_SLOT_DEFAULT_CONFIG	高=左，低=右	无	LSB 与 LRCLK 跳变沿对齐，高位补 0

补充说明：

• 三种模式都是「BCLK 下降沿发送、上升沿采样」，差别只在 LRCLK 极性和数据相对帧边界的位置。
• 发送方和接收方必须约定同一种模式，否则听到的是噪声或错位的声道。
• 本实验的功放芯片按标准飞利浦模式接收，所以代码用 I2S_STD_PHILIPS_SLOT_DEFAULT_CONFIG。

3.4 采样率

• 采样率 = 每秒钟采多少个点，常见 8 kHz、16 kHz、44.1 kHz、44 kHz、48 kHz。
• LRCLK 的频率就是采样率：一帧对应一个采样点。
• 采样率越高越接近原声，数据量也线性增长。语音用 16k~24k 足够，音乐要 44.1k/48k。
• 奈奎斯特采样定理：采样率至少是信号最高频率的 2 倍。人声主要能量在 4 kHz 以下，8 kHz 采样就能听懂，24 kHz 更自然。
• 例程取 24 kHz：语音清晰度和文件大小折中，10 秒单声道 16 bit 约 480 KB。

3.5 PCM 脉冲编码调制

课件给的链路是：麦克风 → PCM 调制 → 主控 → DAC → 喇叭。PCM 分三个步骤：

1. 采样：按固定时间间隔记录模拟电压。
2. 量化：把每个样本的幅度近似到最近的量化级。
3. 编码：把量化级写成二进制。

• 采样率决定时间分辨率，采样位数（位深）决定幅度分辨率。
• PCM 是未经压缩的原始音频，文件里只有样本值，没有格式说明。播放时必须知道采样率、位宽、声道数，否则速度或音调会不对。
• WAV 就是「44 字节文件头 + PCM 数据」：文件头把采样率、位宽、声道数写在最前面，播放器先读头再解码。

3.6 PDM 脉冲密度调制

• PDM 只用 1 bit 表示幅度，用「1 的密度」表达大小：幅度越大，1 越密；静音时输出连续的 0 或 1 的平衡点。
• 调制方法是 Δ-Σ（delta-sigma）；解调时做低通/抽取滤波，把 1 bit 流还原成 PCM。
• 优点：麦克风里只需要一个 1 bit 调制器，成本低、抗干扰；缺点是数据率极高（时钟常在 1~3 MHz），必须靠硬件抽取。
• ESP32-S3 的 I2S 外设在 PDM 接收模式下内置抽取滤波器，配置好采样率后读出来就是 16 bit PCM，CPU 不参与解调。
• PDM 的 DATA 线上是左右声道交替的 1 bit 流；单声道麦克风靠 SEL 引脚决定自己占左槽还是右槽，代码用 slot_mask 选择。

3.7 实验功能框图

课件最后一页给出的录音实验流程，用文字展开就是：

PDM 麦克风 --PDM_CLK/PDM_DATA--> ESP32-S3 I2S0(PDM RX) --PCM--> 写文件
                                                                  |
                                          SPIFFS(内部 Flash) 或 SD 卡(WAV)
                                                                  |
喇叭 <--功放芯片<--I2S1(标准 TX)<--PCM 数据<--读文件

录音和回放是两个独立方向：录音走 I2S0 的 PDM 接收，回放走 I2S1 的标准发送。两个方向共用同一份 PCM 数据格式（16 bit、24 kHz、单声道），所以存下来的数据可以直接拿去播放。

四、代码分析

4.1 工程结构

audio_record/
├── CMakeLists.txt
├── partitions_audio.csv      # 8 MB 的 audio(SPIFFS) 分区
├── sdkconfig                 # 目标 esp32s3，16 MB Flash，八线 PSRAM
└── main/
    ├── audio_record.c        # app_main + 录音/回放流程
    ├── nocodec_audio.c/.h    # I2S 初始化与读写封装
    └── xl9555.c/.h           # IO 扩展芯片驱动

audio_record_sdcard 的结构类似，多一个 format_wav.h（WAV 文件头结构体和宏），少一个 SPIFFS 分区表。

partitions_audio.csv 的内容：

# Name,   Type, SubType, Offset,  Size, Flags
nvs,      data, nvs,     ,        0x6000,
phy_init, data, phy,     ,        0x1000,
factory,  app,  factory, ,        1M,
audio,    data, spiffs,  ,        8M,

应用分区只有 1 MB，剩下 8 MB 全给 SPIFFS 存录音。sdkconfig 里 CONFIG_PARTITION_TABLE_CUSTOM=y 指定了这张表。

4.2 引脚定义与主流程

//I2S 主时钟
#define I2S_BCLK    GPIO_NUM_46
//I2S 声道选择线
#define I2S_WS      GPIO_NUM_9
//I2S 数据线
#define I2S_SDOUT   GPIO_NUM_8
//功放芯片使能引脚对应XL9555的IO0_0
#define SPK_EN_IO   IO0_0
//PDM麦克风的CLK
#define PDM_CLK     GPIO_NUM_3
//PDM麦克风数据引脚
#define PDM_DATA    GPIO_NUM_42
//采样率
#define SAMPLE_RATE     24000

app_main 的执行顺序是：配置 IO 扩展芯片 → 初始化喇叭 → 初始化麦克风 → 挂载文件系统 → 录音 10 秒 → 开功放 → 回放 → 关功放。

void app_main(void)
{
    //XL9555初始化
    xl9555_init(XL9555_SDA,XL9555_SCL,GPIO_NUM_NC,NULL);
    //把除了IO0_0引脚外，都设置为输入
    xl9555_ioconfig((~(SPK_EN_IO))&0xFFFF);
    //初始化喇叭
    init_speaker(I2S_BCLK,I2S_WS,I2S_SDOUT,24000);
    //初始化PDM麦克风
    init_pdm_microphone(PDM_DATA,PDM_CLK,24000);
    //初始化spiff文件系统
    audio_spiffs_init();
    //开始录音10秒
    start_record(10);
    xl9555_pin_write(SPK_EN_IO,1);
    vTaskDelay(pdMS_TO_TICKS(100));
    //开始播放
    start_play();
    xl9555_pin_write(SPK_EN_IO,0);
    while(1)
    {
        vTaskDelay(pdMS_TO_TICKS(5000));
    }
}

注意 ：init_speaker 和 init_pdm_microphone 的第 4 个参数直接写了 24000，而不是宏 SAMPLE_RATE。改采样率时如果只改宏，这两处还是 24 kHz，录音和回放就会不一致。这是一个复制代码时留下的坑。

4.3 喇叭：标准 I2S 发送

void init_speaker(gpio_num_t bclk,gpio_num_t ws,gpio_num_t dout,uint32_t sample_rate)
{
    i2s_chan_config_t chan_cfg = I2S_CHANNEL_DEFAULT_CONFIG(I2S_NUM_1, I2S_ROLE_MASTER);
    chan_cfg.auto_clear_after_cb = true;
    ESP_ERROR_CHECK(i2s_new_channel(&chan_cfg, &tx_handle, NULL));
    i2s_std_config_t i2s_rx_cfg ={
        .clk_cfg = I2S_STD_CLK_DEFAULT_CONFIG(sample_rate),
        .slot_cfg = I2S_STD_PHILIPS_SLOT_DEFAULT_CONFIG(I2S_DATA_BIT_WIDTH_16BIT, I2S_SLOT_MODE_MONO),
        .gpio_cfg = {
            .mclk = I2S_GPIO_UNUSED,
            .bclk = bclk,
            .ws = ws,
            .dout = dout,
            .invert_flags = {
                .mclk_inv = false,
                .bclk_inv = false,
                .ws_inv = false,
            },
        },
    };
    i2s_rx_cfg.slot_cfg.slot_mask = I2S_STD_SLOT_RIGHT;
    ESP_ERROR_CHECK(i2s_channel_init_std_mode(tx_handle, &i2s_rx_cfg));
    ESP_ERROR_CHECK(i2s_channel_enable(tx_handle));
}

逐项解释：

1. I2S_CHANNEL_DEFAULT_CONFIG(I2S_NUM_1, I2S_ROLE_MASTER)：用通道 1、主机模式，其余参数（DMA 描述符数量、每帧字数）用默认值。
2. auto_clear_after_cb = true：DMA 缓冲区下溢时自动填 0。回放结束或数据没跟上时，不会把旧数据反复送出去，避免「卡带」一样的杂音。
3. i2s_new_channel(&chan_cfg, &tx_handle, NULL)：第二个参数是发送句柄，第三个是接收句柄。只发送，接收传 NULL。
4. I2S_STD_CLK_DEFAULT_CONFIG(sample_rate)：时钟源默认用 PLL_160M，mclk_multiple 取 256，按采样率自动算分频。
5. I2S_STD_PHILIPS_SLOT_DEFAULT_CONFIG(16BIT, MONO)：16 位、单声道、飞利浦标准时序。
6. slot_mask = I2S_STD_SLOT_RIGHT：单声道时只把数据放在右槽，左槽补 0。
7. .mclk = I2S_GPIO_UNUSED：功放不需要主时钟，省一根线。

代码痕迹 ：这个函数里保存配置的变量叫 i2s_rx_cfg，其实是发送配置，是从接收例程复制过来的；不影响功能，但读代码时别被名字误导。

4.4 麦克风：PDM 接收

void init_pdm_microphone(gpio_num_t dat,gpio_num_t clk,uint32_t sample_rate)
{
    i2s_chan_config_t chan_cfg = I2S_CHANNEL_DEFAULT_CONFIG(I2S_NUM_0, I2S_ROLE_MASTER);
    ESP_ERROR_CHECK(i2s_new_channel(&chan_cfg, NULL, &rx_handle));

    i2s_pdm_rx_config_t pdm_rx_cfg = {
        .clk_cfg = I2S_PDM_RX_CLK_DEFAULT_CONFIG(sample_rate),
        /* The default mono slot is the left slot (whose 'select pin' of the PDM microphone is pulled down) */
        .slot_cfg = I2S_PDM_RX_SLOT_DEFAULT_CONFIG(I2S_DATA_BIT_WIDTH_16BIT, I2S_SLOT_MODE_MONO),
        .gpio_cfg = {
            .clk = clk,
            .din = dat,
            .invert_flags = {
                .clk_inv = false,
            },
        },
    };
    pdm_rx_cfg.slot_cfg.slot_mask = I2S_STD_SLOT_RIGHT;
    ESP_ERROR_CHECK(i2s_channel_init_pdm_rx_mode(rx_handle, &pdm_rx_cfg));
    ESP_ERROR_CHECK(i2s_channel_enable(rx_handle));
}

• 通道固定 I2S_NUM_0：ESP32-S3 只有 I2S0 支持 PDM 模式。i2s_new_channel(&chan_cfg, NULL, &rx_handle) 的第三参数是接收句柄。
• I2S_PDM_RX_CLK_DEFAULT_CONFIG(sample_rate)：PDM 时钟和抽取率都按采样率算好，改速度只改这一个入参。
• I2S_PDM_RX_SLOT_DEFAULT_CONFIG(16BIT, MONO)：硬件抽取后直接输出 16 bit PCM。
• slot_mask = I2S_STD_SLOT_RIGHT：只取右槽。注意这里用的是标准模式的枚举 I2S_STD_SLOT_RIGHT，而字段属于 PDM 配置；两者数值碰巧相同，能编过，但类型不对。

4.5 录音：PDM → PCM → SPIFFS

void start_record(uint32_t rec_time)
{
    int flash_wr_size = 0;
    //每次采样的数据长度（单位：字）
    const size_t read_size_word = 8192;
    //根据录音时间计算出需要录的长度（计算公式：采样率*录音时间 = 录音数据长度）
    const int flash_rec_time = SAMPLE_RATE*rec_time;

    FILE *f = fopen(AUDIO_MOUNT"/record.pcm", "w");
    if (f == NULL)
    {
        ESP_LOGE(TAG, "Failed to open file for writing");
        return;
    }
    int16_t* i2s_read_buff = (int16_t*)malloc(read_size_word*sizeof(int16_t));
    ESP_LOGI(TAG,"Start record");
    while (flash_wr_size < flash_rec_time)
    {
        int read_word = audio_read(i2s_read_buff,read_size_word);
        if (read_word)
        {
            //声音放大，可以去掉，放大是为了听得更清楚
            for(int i = 0;i<read_word;i++)
            {
                i2s_read_buff[i] = i2s_read_buff[i]<<1;
            }
            ESP_LOGI(TAG,"audio read word:%d",read_word);
            fwrite(i2s_read_buff, read_word*2, 1, f);
            flash_wr_size += read_word;
        }
        else
        {
            ESP_LOGI(TAG,"Read Failed!\n");
        }
    }
    ESP_LOGI(TAG, "Recording done!");
    fclose(f);
}

• 计数单位是字 （int16_t，一个采样一个字），所以 flash_rec_time = 24000 × 10 = 240000 个字，写入时再乘 2 变成字节。
• 每次读 8192 个字（16 KB），10 秒大约循环 29 次。
• <<1 是把幅度翻倍，注释写明了只是为了听得更清楚，可以去掉。对这种简单左移要有警惕：超过 int16_t 范围会溢出翻转，形成爆音。
• 文件里只有裸 PCM，没有文件头。总大小 240000 × 2 = 480000 字节。

4.6 回放：SPIFFS → I2S1 → 功放

void start_play(void)
{
    const size_t write_size_byte = 8192;
    struct stat st;
    if(stat(AUDIO_MOUNT"/record.pcm",&st) == 0)
    {
        ESP_LOGI(TAG,"record.pcm filesize:%ld",st.st_size);
    }
    FILE *f = fopen(AUDIO_MOUNT"/record.pcm", "r");
    if(!f)
    {
        ESP_LOGI(TAG,"record.pcm open fail!");
        return;
    }
    ESP_LOGI(TAG,"Start play");
    uint8_t *i2s_write_buff = malloc(write_size_byte);
    if(!i2s_write_buff)
    {
        fclose(f);
        return;
    }
    size_t read_byte = 0;
    do
    {
        fread(i2s_write_buff,write_size_byte,1,f);
        audio_write((const int16_t*)i2s_write_buff,write_size_byte/2);
        read_byte += write_size_byte;
        vTaskDelay(pdMS_TO_TICKS(10));
    } while (read_byte < st.st_size);
    free(i2s_write_buff);
    fclose(f);
    ESP_LOGI(TAG,"Play done");
}

• 每次从文件读 8192 字节，按 16 bit 拆成 4096 个字送进 I2S。
• audio_write 内部调用 i2s_channel_write(..., 200)，写完后返回实际写入的字数。
• 每轮延时 10 ms，让 DMA 有机会把缓冲送到功放，避免喂得太快。
• 回放前 xl9555_pin_write(SPK_EN_IO, 1) 打开功放，并延时 100 ms 等它上电稳定；回放结束后再拉低，省电也避免底噪。

4.7 SD 卡版：多一个 WAV 文件头

audio_record_sdcard 的录音流程和 SPIFFS 版基本一样，区别在存储和文件格式：

uint32_t flash_rec_time = BYTE_RATE * rec_time;
const wav_header_t wav_header =
    WAV_HEADER_PCM_DEFAULT(flash_rec_time, BIT_SAMPLE, SAMPLE_RATE, 1);
...
FILE *f = fopen(SD_MOUNT_POINT"/record.wav", "a");
fwrite(&wav_header, sizeof(wav_header), 1, f);

WAV_HEADER_PCM_DEFAULT 把 WAV 的 44 字节头一次填好：

字段	值	含义
chunk_id	RIFF	文件标识
chunk_size	数据长度 + 44 - 8	从本字段之后到文件尾的长度
chunk_format	WAVE	格式类型
subchunk_id	fmt	格式块
audio_format	1	PCM
num_of_channels	1	单声道
sample_rate	24000	采样率
byte_rate	48000	每秒字节数 = 24000 × 16 / 8
block_align	2	每个采样字节数
bits_per_sample	16	位深
data 块大小	480000	10 秒的 PCM 数据

其它差异：

• SD 卡走 SPI：mount_sdcard() 用 SDSPI_HOST_DEFAULT()，把 CS/MOSI/MISO/SCK 接到 GPIO4/5/7/6，挂载点 /sdcard。
• 这一版放大倍数更大：i2s_readraw_buff[i] << 2，相当于 4 倍。
• xl9555 驱动的接口也换了一版：SPIFFS 版直接传 SDA/SCL，SD 卡版先 i2c_new_master_bus() 再把总线句柄传给 xl9555_init()。两份驱动是各自复制的，不能混用。

五、关键 API 速查

API 或宏	作用	头文件
i2s_new_channel	申请 I2S 通道，指定收发方向	driver/i2s_common.h
i2s_channel_init_std_mode	按标准 I2S 模式初始化	driver/i2s_std.h
i2s_channel_init_pdm_rx_mode	按 PDM 接收模式初始化	driver/i2s_pdm.h
i2s_channel_enable / i2s_channel_disable	启动 / 停止通道	driver/i2s_common.h
i2s_channel_read	从 RX 通道读 PCM 数据	driver/i2s_common.h
i2s_channel_write	向 TX 通道写 PCM 数据	driver/i2s_common.h
I2S_CHANNEL_DEFAULT_CONFIG	通道默认配置（DMA 数量、帧数）	driver/i2s_common.h
I2S_STD_CLK_DEFAULT_CONFIG	标准模式时钟配置（采样率）	driver/i2s_std.h
I2S_STD_PHILIPS_SLOT_DEFAULT_CONFIG	飞利浦时序、位宽、声道模式	driver/i2s_std.h
I2S_PDM_RX_CLK_DEFAULT_CONFIG	PDM 接收时钟配置	driver/i2s_pdm.h
I2S_PDM_RX_SLOT_DEFAULT_CONFIG	PDM 接收位宽、声道模式	driver/i2s_pdm.h
esp_vfs_spiffs_register	挂载 SPIFFS 分区	esp_spiffs.h
esp_vfs_fat_sdspi_mount	以 SPI 方式挂载 FAT 文件系统	esp_vfs_fat.h
xl9555_init / xl9555_ioconfig / xl9555_pin_write	IO 扩展芯片初始化 / 方向 / 输出	xl9555.h

六、编译与现象验证

例程不在本工作区，先拉源码：

git clone https://gitee.com/vi-iot/esp32s3-board.git
cd esp32s3-board/audio_record

仓库 README 注明依赖 ESP-IDF v5.3.3 或 v5.4.2 ：代码用了 driver/i2s_std.h、driver/i2s_pdm.h 和新的 driver/i2c_master.h，4.x 编不过。编译：

idf.py set-target esp32s3
idf.py build
idf.py -p COMx flash monitor

audio_record 用自定义分区表 partitions_audio.csv，sdkconfig 里已打开 CONFIG_PARTITION_TABLE_CUSTOM=y；audio_record_sdcard 用默认分区表。开发板需要是 16 MB Flash + PSRAM 的 ESP32-S3 板子，否则分区表放不下 8 MB 的 audio 分区。

6.1 audio_record 的预期日志

I (xxx) main: Start record
I (xxx) main: audio read word:8192
...
I (xxx) main: Recording done!
I (xxx) main: record.pcm filesize:480000
I (xxx) main: Start play
I (xxx) main: Play done

10 秒 × 24000 样本 = 240000 个 16 bit 样本，正好 480000 字节。audio read word:8192 会出现约 29 次（240000 / 8192 ≈ 29.3）。

6.2 audio_record_sdcard 的预期日志

I (xxx) pdm_rec_example: Initializing SD card
...
I (xxx) pdm_rec_example: Starting recording for 10 seconds!
I (xxx) pdm_rec_example: Recording done!
I (xxx) pdm_rec_example: Starting play wav

录完把 TF 卡拔下来插电脑，record.wav 应能直接用播放器打开。