AI 情感音箱：三个模组，一套声学纪律
按屏幕分层，不按参数表堆料

情感音箱的物料成本被三样东西主导：屏幕、屏后面的内存、以及驱动它的算力。这三样是一起走的。把 720p 屏和四颗麦克风放在微控制器上，等于为一台填不满屏幕的设备多花了钱；把 320×480 屏放在八核应用处理器上，等于为画一个时钟烧掉一美元的硅。

所以这条产品线建在客户真正感知得到的轴上——屏幕与交互——让硅跟着走。三个模组覆盖它：M08 用 RK2108D 守成本与功耗底线，RK3506B 占 720p 出货档，RK3572 把语音和数字人搬上设备。三档之间不变的是声学方法、唤醒词规则和后台契约。

上面三档回答的是机器有多少。这七个外壳回答的是摆在桌上长什么样。它们不是三个产品加一个产品的四个变体，而是七个结构方向，而约束每一个的，是那块屏。

看屏幕里画的是什么。七个里有四个用的是像素语言——点阵时钟、八位角色、方块拼出来的风景。三个是照片。这不是风格选择，这是规格。像素画面在 320×480 的 MCU 屏上、直接从微控制器的 SPI 总线推出去，仍然清晰可读；照片不行。一旦某个外壳必须渲染真实影像，屏就换到 MIPI，帧缓冲变大，SoC 换型号，单机成本跟着变。

参考形态

方块 Cube

我们会先做的那一台。直立方块，近 4:3 的屏嵌在深边框里，正面底缘三个实体键——两枚软胶方键和一条带暖光缝的拉丝金属键——右侧一个大口径喇叭，顶部肩面一条细长开孔。三个键是刻意的数字：唤醒、音量、静音，没有藏在菜单里的东西。深边框既在做视觉，也在做声学，因为它身后的腔体正是喇叭需要的容积。

• 屏幕480×320 级，MCU/SPI
• 档位M08 起
• 交互件正面三键、侧向喇叭

两颗麦克风在这里不是妥协，它就是规格。小扬声器、低音量、固定几何下，两阵元加一个收敛的回声消除器，足以应付一臂距离的近场对话——而 HiFi3 正是为此而生：厂商自己的定位是语音降噪优化，4 个 24 位 MAC 或双 32 位 MAC、三个 VLIW 槽、两路 SIMD 向量 FPU。

M08 做不到什么，应该在第一次会议前就说：没有视频、没有本地语言模型、没有大屏。它赢的地方是待机功耗和单机成本——而这两个数字，决定了一台伴侣设备能不能卖到零售商愿意接的价位。

这就是照片里那台。三核 Cortex-A7 跑在 1.5GHz 上跑 Linux，硅片内有八通道 PDM 采集，12 路 PWM 驱动灯效，2-lane MIPI 输出驱动 720p 屏，还有 2 通道音频 DSM 与 ASRC 把本地提示音混进流式回复里。没有 NPU——对这个产品来说这个缺失是对的：贵的东西和有意思的东西都在云端，设备的任务是听清、说清、点好灯、别崩。

八通道接口只用四颗麦克风是刻意留的余量。它让第二个 SKU 加阵元不必换板，也让阵列可以按声学而不是按引脚数来定。720p 屏是这一档成为出货主力的另一个原因：床头一臂距离上，720p 足以把时钟、封面和动画表达清楚，而它的成本只是 4K 通路的一小部分。

RK3572 是 8nm 的八核：两颗 Cortex-A73 @2.2GHz 加六颗 Cortex-A53 @2.1GHz，Mali-G310V2 GPU 支持 Vulkan 1.4，4 TOPS INT8 NPU，LPDDR5 最高 16GB，两条独立显示通路 4K@60 + 2K@60。由此得到另外两档做不到的两件事。

第一是两块屏：一块放表情，另一块放列表、食谱或房间控制，各自独立而不是镜像。第二是语音上设备：小体量 ASR 与 TTS 跑在 NPU 上，数字人是 GPU 的活——面部渲染、表情和口型——NPU 喂它数据。于是唤醒词、识别、合成都可能完全不依赖网络，产品的失效模式从「断网即废」变成「断网变笨一点」。

Meta 于 2026 年 10 月以 Apache 2.0 开源 Muse Gadget SDK，分两半：基于 ESP-IDF 的 ESP32 设备 SDK，以及面向树莓派一类单板的 Linux 设备 SDK。Linux 那一半可以直接对上 RK3506B 与 RK3572：长连接、Opus 音频、小屏、GPIO、退避重连。在 M08 上，同一套协议要在 RT-Thread 上基于微控制器自己的协议栈重写——那是实打实的活，不是一个编译开关。