给 100 块的 AI 玩具写了一套英语启蒙 App：100 个词、看图选词、开口打分

硬件是 FoloToy AI Passport（目前约 100 元，ESP32-C3 / 8MB Flash / 240×320 屏 / 三个按键），我从零做了一个「英文学习」应用：100 个词分 8 个主题，看图选词、答对即切题、一局 10 题、结算页报分并说一句英文鼓励语。全程由 AI 代理在本地写代码、刷机、读串口日志定位崩溃。下载地址： ai-passport.folotoy.cn/plays/2144/

一、先看成品

一局游戏的完整路径：

复制代码

首页（像素小生物 + 入口）
   ↓ 按「确定」
题目页：英文单词在上，四张图标卡在下，自动朗读单词
   ↓ 上/下 移动高亮，确定 提交
答对 → 一声升调「叮」→ 立刻切到下一题
答错 → 一声降调 → 画面停留，显示「答案 苹果」
   ↓ 第 10 题答完
结算页：得分 / 正确率 / 最佳连对 + 一句英文鼓励语
   ↓ 上/下 选择
「再来一轮」或「回首页」

几个刻意的设计：

答对立刻切题，不用再按一次确定。反馈交给声音，屏幕不设 0.8 秒停留。
答错才停，因为要让孩子看清正确答案。
一局固定 10 题，有终点才有成就感；结算页给「得分 / 正确率 / 最佳连对」。
鼓励语只在结算页说，按正确率分档：≥80% 说 "Great job!"，<80% 说 "Keep going!"。
新题出现后 400ms 内的「确定」不算作答，防止连按把下一题直接答掉。

二、技术栈

层	选型
芯片	ESP32-C3，8MB Flash，无 PSRAM（240×320 屏幕 + 100 张图 + 100 段语音全塞进去）
框架	ESP-IDF v5.5.3
UI	LVGL 9.5
音频	ES8311 codec + I2S，16kHz/16bit 单声道 PCM 存 Flash
字体	Noto Sans SC 走 `lv_font_conv` 生成位图字体，覆盖 202 个中文字形

界面是深底 + 薄荷绿点缀，两套字号（16px / 28px），全部中文走自己生成的位图字体。

三、内容流水线：从 emoji 到固件

素材不是手搓的，全是脚本生成，改词表重跑一遍就行。

1. 图标：emoji → 48px 图

Apple Color Emoji 按 160px 渲染、裁剪、缩放到 48px，转成 RGB565A8（彩色 + 独立 alpha 平面）。这样贴在任意卡片底色上都不会出现方块底色。

100 张图 = 100 × 48 × 48 × 3 ≈ 676 KB，直接从 Flash 读，不占 RAM。

2. 发音：TTS → PCM

bash 复制代码

say -v Samantha -r 85 -o tts.aiff "Apple"
afconvert -f WAVE -d LEI16@16000 -c 1 tts.aiff tts.wav

再裁掉首尾静音、归一化到 70% 峰值、加 10ms 淡入淡出（避免爆音）。

85 wpm 是调出来的：原始 150 wpm 时孩子跟不上，降到 85 后每个词的时长约 0.5 秒，100 个词合计 1.76 MB。

3. 像素小生物：脚本画的，不是贴图

首页 64px、结算页 48px，两只原创小生物。在 16×16 的格子上按几何形状逐像素生成（椭圆身体 + 描边 + 顶部高光 + 底部两行压暗 + 固定位置的眼睛嘴巴），再整数倍放大（4× / 3×），所以边缘永远是硬像素。

为什么不直接用宝可梦 / 我的世界素材：那是任天堂和 Mojang 的版权资产，塞进固件再分发不合适。原创图形可以随便改颜色、改配件、改尺寸------脚本里每只生物就是一组常量。

四、踩过的五个坑（这篇的重点）

坑 1：LVGL 的悬空回调，直接把设备打崩

跑到第 3 题时设备突然重启：

vbnet 复制代码

Guru Meditation Error: Core 0 panic'ed (Load access fault).
MEPC : 0x42016574   MTVAL : 0x000168d6

反查地址：

makefile 复制代码

0x42016574: lv_obj_get_display          (lv_obj_tree.c:311)
0x42033cea: update_layout_completed_cb (lv_label.c:1081)
0x4202603e: lv_timer_handler

原因：lv_label_set_text() 会往 display 上挂一个「布局完成后刷新文字」的延迟回调 ，回调的 user_data 就是那个 label 的指针。而 LVGL 删除对象时，只清理对象自己的事件列表，不会清理挂在 display 上、以该对象为 user_data 的回调。

于是「刚设置过文字就删屏」就变成：布局一完成，回调拿着已释放的指针去访问 → MTVAL = 0x168d6（一块被复用的垃圾地址）。

修法：页面只建一次，之后只做 lv_screen_load()，运行期绝不删控件。三块页面在启动时各建一次，几十个控件常驻，代价是十几 KB 堆，换来的是这类生命周期 bug 彻底消失。

坑 2：`lv_timer` 的 `repeat_count` 归零后不再执行回调

想做「答对停 800ms 再跳题」，于是建了一个一次性定时器：

c 复制代码

lv_timer_t *t = lv_timer_create(cb, 800, NULL);
lv_timer_set_repeat_count(t, 1);

第一次触发后，repeat_count 被减到 0 并自动 pause。之后再 lv_timer_reset() + lv_timer_resume() 都不会执行回调 ------因为 lv_timer_exec() 里是这样的：

c 复制代码

if (timer->timer_cb && original_repeat_count != 0) { timer->timer_cb(timer); }

每次重新武装都必须重设 repeat_count：

c 复制代码

lv_timer_set_repeat_count(t, 1);
lv_timer_reset(t);
lv_timer_resume(t);

后来干脆把定时器删了：答对直接切题，反馈交给声音，状态机更简单。

坑 3：音量调了两次都「没变化」，因为刻度算错了

答对/答错的提示音太吵，我把音量从 75% 调到 64%，用户反馈「还是太大」。

查驱动才发现：esp_codec_dev_set_out_vol() 用的是应用层音量曲线 ，0% = -50dB，100% = 0dB，线性。我拿 ES8311 芯片内部的 -95.5dB ~ +32dB 去换算------那是已经映射过一层之后的寄存器量程，不是百分比刻度。

正确换算：

ini 复制代码

db = percent * 0.5 - 50
  75% = -12.5dB      64% = -18dB      50% = -25dB

所以 75% → 64% 只降了 5.5 dB（幅度约 53%），难怪听不出来。这次直接降到 -25 dB ，并且把波形从方波换成正弦------方波的高次谐波才是「刺耳」的主因，光调音量治不了。

坑 4：编译通过 ≠ 屏幕上有字

LVGL 缺字形时会画一个占位方框，构建日志不会有任何警告。

所以加了一道门禁检查：解析字体文件里的 cmaps 得到覆盖码点，再扫描源码里的中文字符串字面量，缺一个字就让构建失败。

这个检查器本身也踩过坑：最初用正则 "([^"]*)" 直接扫全文，结果注释里的英文引号 被当成字符串边界，把后面注释里的中文也算进了字表，报出一堆假缺字。修法是先剥掉 // 和 /* */ 注释（字符串和字符字面量里的引号仍正确处理），再取字面量。

坑 5：100 个词不能让「Lion」配「car / apple / duck」

词表扩到 100 个之后，如果四个选项全库随机抽，干扰项会荒谬得没有区分度。所以给每个词加了主题字段（农场动物 / 野生动物 / 海洋 / 水果 / 食物 / 交通 / 自然 / 家居），出题时干扰项优先从同一主题里抽，同主题不足 4 个词再退回全库：

c 复制代码

// 先把候选拆成"同主题"和"其它主题"两摞, 同主题优先
while (written < need && same_count > 0) { ... }
while (written < need && other_count > 0) { ... }

这样一局题目集中在同一个主题上，接近 RAZ 分级读物「一本一个主题」的做法。降级路径也有单元测试覆盖（主题只有 2 个词时仍要凑出 4 个不重复选项）。

五、质量保障：一条命令跑完

bash 复制代码

./tools/validate.sh

依次是：仓库规范检查 → 中文字形覆盖 → 音频素材校验 → host 单元测试 → 隔离构建 → 合并镜像。

能纯函数化的逻辑全部做成了不依赖 LVGL / ESP-IDF 的状态机 ，在 Mac 上直接 cc 编出来跑：

app_quiz.c：出题、选项、计分、连对、一局边界、同主题干扰项、小主题兜底
sound_pcm.c：音调合成（升/降调的过零数、首尾静音、峰值上限）

音频校验也进了门禁：每个词必须有发音、时长 0.15--1.6 秒、峰值不削顶、RMS 够响、首尾必须是静音（否则会爆音）。

六、数据

项	数值
词库	100 词 / 8 主题（13×6 + 11×2）
图标	100 张 48×48 RGB565A8 ≈ 676 KB
单词发音	100 段 16kHz PCM ≈ 1.76 MB
鼓励语	7 句 ≈ 169 KB
中文字形	202 个（16px / 28px 两套位图字体）
固件	app 3.53 MB / 分区 8.23 MB（约 43%）
启动	880 ms 进入首页

8.23 MB 的应用分区用了不到一半，后面加词、加主题、加音效都还有余量。

七、下一步

用 NVS 存「最好成绩」和「最近玩的主题」，结算页显示历史最佳
主题选择页：让孩子自己挑今天玩水果还是动物
答对后播放该词的中文释义（现在只显示文字）
待机时的省电策略

八、写在最后

这套东西最特别的地方不是功能，而是开发方式：需求是口述的（「答对后直接进入下一题」「10 题就结束」「鼓励语放在结算页」），改动由 AI 代理直接落到代码里，然后自己刷机、自己读串口日志定位崩溃、自己跑门禁。

上面五个坑里，有三个是只有真机跑起来才会暴露 的：悬空回调导致的 panic、repeat_count 归零、音量曲线算错。AI 能读日志、反查地址、改代码、再刷机验证，这一轮闭环在十几分钟内就完成了------比人肉试错快得多。

硬件：FoloToy AI Passport · 固件：ESP-IDF 5.5.3 + LVGL 9.5 · 素材：脚本生成，iOS/macOS emoji 与系统 TTS，仅供个人设备使用

给 100 块的 AI 玩具写了一套英语启蒙 App：100 个词、看图选词、开口打分