เฮ้ ชาว Maker สายลุยและเพื่อนๆ Gen Z / Gen Y ทุกคน! เคยคิดอยากจะสั่งงานโปรเจกต์ IoT ของตัวเองด้วยเสียงเหมือนในหนังไซไฟไหม? เช่น พูดว่า "เปิดไฟ" แล้วข้อความไปโผล่บนจอ หรือสั่งงานหุ่นยนต์ได้ทันที วันนี้ Globalbyte มีโปรเจกต์ระดับแอดวานซ์มาฝาก นั่นคือการสร้างระบบ ESP32 Speech to Text (STT) เปลี่ยนเสียงพูดให้กลายเป็นตัวอักษรวิ่งโชว์บนหน้าจอ OLED และ Serial Monitor แบบเรียลไทม์! บอกเลยว่างานนี้เป็นการผสมผสานระหว่างฮาร์ดแวร์เสียง ระดับอินเตอร์เน็ต Wi-Fi และคลาวด์ API ที่มันส์สะใจสาย Dev แน่นอนครับ!

สารบัญพลิกตำรา (Table of Contents)

• Wit.ai คืออะไร? ทำไมต้องหยิบมาใช้แปลงเสียงร่วมกับ ESP32
• เหตุผลเด็ดๆ ที่เหล่านักพัฒนาเทใจเลือก Wit.ai สำหรับโปรเจกต์ควบคุมด้วยเสียง
• ส่องแผนผังการทำงาน (Block Diagram) ถอดรหัสลับการส่งสัญญาณเสียง
• เช็คลิสต์อุปกรณ์ (BOM) ที่ต้องเตรียมสำหรับโปรเจกต์นี้
• แผนผังการต่อสายวงจร (Circuit Diagram) แบบจับมือขันน็อต
• ขั้นตอนการเซ็ตอัปบัญชี Wit.ai เพื่อคว้า Service Access Token
• ติดตั้ง Arduino Libraries ที่จำเป็น
• กางโค้ดฉบับเต็มพร้อมคำอธิบายแบบเคลียร์ๆ ทีละเซกชัน
• การอัปโหลดและทดสอบระบบจริงในสนามลองไฟ
• สรุปสูตรแก้ปัญหา (Troubleshooting) ยอดฮิตเมื่อระบบงอแง

Wit.ai คืออะไร? ทำไมต้องหยิบมาใช้แปลงเสียงร่วมกับ ESP32

ก่อนจะลุย เราต้องทำความเข้าใจข้อจำกัดทางฮาร์ดแวร์กันนิดนึง เนื่องจากบอร์ด ESP32 ตัวจิ๋วของเรามีหน่วยความจำและกำลังการประมวลผลที่ค่อนข้างจำกัด ทำให้มันไม่สามารถรันโมเดลตรวจจับเสียงขนาดใหญ่ภายในตัวเอง (Locally) ได้โดยตรง ชุดคำสั่งที่ต้องคำนวณมหาศาลแบบนี้เราจึงต้องโยนหน้าที่ไปให้ระบบ Cloud-based Service จัดการแทนครับ และพระเอกในงานนี้ก็คือ แพลตฟอร์ม Wit.ai นั่นเอง!

สำหรับ Wit.ai เป็นแพลตฟอร์มบนคลาวด์สุดอัจฉริยะที่พัฒนาโดย Meta (ใช่แล้วครับ บัญชีเดียวกับที่พวกเราใช้ล็อกอิน Facebook / Instagram นั่นแหละ!) มันถูกออกแบบมาเพื่อทำหน้าที่ได้ทั้งการแปลงเสียงเป็นข้อความ (Speech-to-Text) และแปลงข้อความเป็นเสียงพูด (Text-to-Speech) โดยเบื้องหลังความฉลาดของมันคือระบบ Natural Language Processing (NLP) ที่ช่วยให้มันเข้าใจบริบทของคำพูดที่เราส่งเข้าไป แพลตฟอร์มนี้จึงเป็นที่นิยมมากๆ ในการนำไปสร้างแอปพลิเคชันมือถือ, บอทอัจฉริยะ และอุปกรณ์ Smart Home ยิ่งไปกว่านั้นเขายังมีคู่มือรายละเอียดเปิดเผยไว้ใน คู่มือสำหรับนักพัฒนาซอฟต์แวร์ (Developer's Guide) อีกด้วย แต่ถ้าใครอยากลองทำโปรเจกต์แบบไม่ต้องพึ่งเน็ต ก็สามารถข้ามไปศึกษา ระบบรู้จำเสียงแบบออฟไลน์ด้วย Edge Impulse ได้เช่นกันครับ

เหตุผลเด็ดๆ ที่เหล่านักพัฒนาเทใจเลือก Wit.ai สำหรับโปรเจกต์ควบคุมด้วยเสียง

ทำไม Maker ทั่วโลกถึงเลือกใช้แพลตฟอร์มนี้? นี่คือคำตอบครับ:

• เชื่อมต่อง่ายดาย: รองรับการเชื่อมต่อและสั่งงานผ่าน REST HTTP APIs ได้อย่างไม่ซับซ้อน
• ใช้งานฟรีฟรี!: ไม่มีค่าใช้จ่ายตาม ข้อตกลงและเงื่อนไขของ Wit.ai ที่ระบุไว้
• ประหยัดงบฮาร์ดแวร์: บอร์ดปลายทางไม่ต้องแรง (เพราะโยนงานหนักไปประมวลผลบนคลาวด์)
• สเปกครอบคลุม: รองรับแอปพลิเคชันระบบ AI ทั้งแบบเริ่มต้นไปจนถึงขั้นสูง

ส่องแผนผังการทำงาน (Block Diagram) ถอดรหัสลับการส่งสัญญาณเสียง

การทำงานสรุปสั้นๆ ให้เข้าใจง่ายๆ คือ ไมโครโฟนดิจิทัลจะคอยจับเสียงพูดของเรา แล้วทำการสตรีมข้อมูลเสียงดิบรูปแบบ 16-bit PCM ที่ความถี่ sample rate 16 kHz ส่งต่อมายัง ESP32 จากนั้นตัวบอร์ดจะส่งข้อมูลเสียงนี้วิ่งข้ามเน็ต Wi-Fi ไปยัง Wit.ai Cloud API ผ่านโปรโตคอลความปลอดภัย HTTPS เมื่อฝั่งคลาวด์แปลงคำพูดด้วยระบบ NLP เสร็จแล้ว จะทำการส่งข้อความที่แกะเสร็จแล้วกลับมาในรูปแบบไฟล์ JSON เพื่อให้ ESP32 นำมาแกะเอาข้อความไปแสดงผลบนจอ OLED เป็นอันเสร็จสิ้นกระบวนการครับ!

(โน้ตสําหรับสายออฟไลน์: เนื่องจากระบบใช้ Wi-Fi วิ่งไปหาคลาวด์ มันจึงทำงานได้ตอนต่อเน็ตเท่านั้นนะ ถ้าใครมองหาระบบแปลงข้อความกลับเป็นเสียงแบบไม่ต้องใช้เน็ต สามารถแวะไปส่องต่อได้ที่ ระบบแปลงข้อความเป็นเสียงแบบออฟไลน์บน ESP32 ครับ)

เตรียมของกันเลย! อุปกรณ์ที่ต้องใช้สำหรับโปรเจกต์นี้

รายการอุปกรณ์หลักๆ สำหรับประกอบวงจรบน Breadboard มีดังนี้ครับ:

แผนผังการต่อสายวงจร (Circuit Diagram) แบบจับมือขันน็อต

การเชื่อมต่อระบบไมโครโฟนและหน้าจอเข้ากับบอร์ดหลัก ให้จัดเรียงพินเชื่อมต่อเข้าด้วยกันตามตารางอ้างอิงด้านล่างนี้ได้เลยครับ เพื่อความสะดวกในการตรวจสอบ:

📌 ขาเชื่อมต่อของไมโครโฟน INMP441 I2S Mic -> ESP32

📌 ขาเชื่อมต่อของหน้าจอ OLED Display (SSD1306) -> ESP32

(เทคนิคเพิ่มเติม: หากต้องการแปลงโปรเจกต์นี้ให้เป็นอุปกรณ์แบบพกพาสุดเจ๋ง เพื่อนๆ สามารถหาแบตเตอรี่ภายนอกขนาด 3.7V มาเชื่อมต่อเข้าที่พิน VIN และ GND ของบอร์ด ESP32 เพื่อนำไปใช้นอกสถานที่ได้ด้วยนะครับ)

ขั้นตอนการเซ็ตอัปบัญชี Wit.ai เพื่อคว้า Service Access Token

เพื่อให้บอร์ดของเราคุยกับระบบ AI คลาวด์รู้เรื่อง เราต้องไปเปิดประตูลงทะเบียนเพื่อรับรหัสประจำตัวก่อนครับ ตามขั้นตอนง่ายๆ ดังนี้:

1. เข้าไปที่เว็บไซต์ https://wit.ai แล้วทำการล็อกอินด้วยบัญชี Meta (Facebook / Instagram) ของคุณได้เลย
2. คลิกที่ปุ่ม '+ New App' จากนั้นตั้งชื่อแอปพลิเคชันของคุณให้เรียบร้อย (สามารถตั้งสถานะเป็น Private สำหรับโปรเจกต์ส่วนตัว หรือ Open สำหรับโปรเจกต์สาธารณะได้ตามใจชอบ) แล้วกด Create
3. ไปที่เมนูด้านซ้าย เลือกไอคอน Management > Settings จากนั้นมองหาหัวข้อ Service Access Token แล้วกดคัดลอก (Copy) รหัสนั้นเก็บไว้เพื่อนำไปใส่ในโค้ดโปรแกรมของเราครับ

ติดตั้ง Arduino Libraries ที่จำเป็น

โปรเจกต์นี้จะมีการเรียกใช้งานไลบรารีทั้งหมด 6 ตัว โดยไลบรารี 4 ตัวแรก (WiFi.h, WiFiClientSecure.h, driver/i2s.h, Wire.h) เป็นไลบรารีมาตรฐานที่ติดมากับโครงสร้าง ESP32 Arduino Core อยู่แล้ว ไม่ต้องติดตั้งเพิ่ม ส่วนอีก 2 ตัวสุดท้ายสำหรับการขับหน้าจอ OLED เพื่อนๆ ต้องทำการค้นหาและกดติดตั้งด้วยตนเองผ่านระบบ Library Manager ในโปรแกรม Arduino IDE ครับ:

• Adafruit_GFX.h: สำหรับช่วยวาดโครงสร้างภาพและกราฟิกพื้นฐานบนจอ
• Adafruit_SSD1306.h: ตัวไดรเวอร์หลักที่ใช้ควบคุมชิปแสดงผลของจอ OLED 0.91 นิ้ว

กางโค้ดฉบับเต็มและอธิบายการทำงานแบบเคลียร์ๆ

นี่คือซอร์สโค้ดฉบับสมบูรณ์ที่พร้อมใช้งาน (Arduino Sketch) สำหรับอัปโหลดเข้าบอร์ดทดสอบของคุณครับ สังเกตตรงฟังก์ชัน sendAudioToWit() ซึ่งเป็นหัวใจสำคัญ มันจะคอยจับสัญญาณเสียงดิบ PCM จาก Buffer ไมค์สตรีมมิ่งยิงตรงเข้าคลาวด์ขณะที่คุณกดปุ่มเชื่อมต่อค้างไว้ครับ

#include <WiFi.h>
#include <WiFiClientSecure.h>
#include <driver/i2s.h>
#include <Wire.h>
#include <Adafruit_GFX.h>
#include <Adafruit_SSD1306.h>

// คอนฟิกหน้าจอ OLED
#define SCREEN_WIDTH 128
#define SCREEN_HEIGHT 32
Adafruit_SSD1306 display(SCREEN_WIDTH, SCREEN_HEIGHT, &Wire, -1);

// ใส่ข้อมูลเครือข่าย Wi-Fi และ Token ของ Wit.ai ตรงนี้เลย!
const char* ssid = "your_ssid";
const char* password = "your_password";
const char* service_access_token = "your_service_access_token";

// กำหนดพินเชื่อมต่อระบบเสียง I2S และปุ่มกด
#define I2S_WS 25
#define I2S_SD 33
#define I2S_SCK 26
#define BUTTON_PIN 4
#define SAMPLE_RATE 16000
#define I2S_PORT I2S_NUM_0
#define BUFFER_SIZE 1024
int16_t buffer[BUFFER_SIZE];

void updateDisplay(String message) {
  display.clearDisplay();
  display.setCursor(0, 0);
  display.println(message);
  display.display();
}

void setupI2S() {
  i2s_config_t config = {
    .mode = (i2s_mode_t)(I2S_MODE_MASTER | I2S_MODE_RX),
    .sample_rate = SAMPLE_RATE,
    .bits_per_sample = I2S_BITS_PER_SAMPLE_16BIT,
    .channel_format = I2S_CHANNEL_FMT_ONLY_RIGHT,
    .communication_format = I2S_COMM_FORMAT_STAND_I2S,
    .intr_alloc_flags = 0,
    .dma_buf_count = 8,
    .dma_buf_len = 512,
    .use_apll = false
  };
  i2s_pin_config_t pin_config = {
    .bck_io_num = I2S_SCK,
    .ws_io_num = I2S_WS,
    .data_out_num = -1,
    .data_in_num = I2S_SD
  };
  i2s_driver_install(I2S_PORT, &config, 0, NULL);
  i2s_set_pin(I2S_PORT, &pin_config);
}

void sendAudioToWit() {
  WiFiClientSecure client;
  client.setInsecure(); // ข้ามการตรวจสอบ SSL Cert เพื่อความเร็วในการรัน
  if (!client.connect("api.wit.ai", 443)) {
    updateDisplay("Conn Failed");
    return;
  }
  
  // สร้าง HTTP Header ส่งค่าข้อมูลเสียงดิบ mono 16kHz Little Endian เข้าสู่ระบบคลาวด์
  String header = "POST /speech?v=20230215 HTTP/1.1\r\n"
                  "Host: api.wit.ai\r\n"
                  "Authorization: Bearer " + String(service_access_token) + "\r\n"
                  "Content-Type: audio/raw;encoding=signed-integer;bits=16;rate=16000;endian=little\r\n"
                  "Transfer-Encoding: chunked\r\n"
                  "Connection: close\r\n\r\n";
  client.print(header);
  updateDisplay("Listening...");
  
  size_t bytes_read;
  while (digitalRead(BUTTON_PIN) == LOW) {
    i2s_read(I2S_PORT, buffer, sizeof(buffer), &bytes_read, portMAX_DELAY);
    if (bytes_read > 0) {
      client.printf("%X\r\n", bytes_read);
      client.write((uint8_t*)buffer, bytes_read);
      client.print("\r\n");
    }
  }
  client.print("0\r\n\r\n");
  updateDisplay("Processing...");
  
  String finalResult = "";
  while (client.connected() || client.available()) {
    if (client.available()) {
      String line = client.readStringUntil('\n');
      int textIndex = line.indexOf("\"text\": \"");
      if (textIndex != -1) {
        int start = textIndex + 9;
        int end = line.indexOf("\"", start);
        finalResult = line.substring(start, end);
      }
    }
  }
  client.stop();
  
  if (finalResult != "") {
    updateDisplay(finalResult);
    Serial.println("Final: " + finalResult);
  } else {
    updateDisplay("No speech detected");
  }
}

void setup() {
  Serial.begin(115200);
  pinMode(BUTTON_PIN, INPUT_PULLUP);
  
  if(!display.begin(SSD1306_SWITCHCAPVCC, 0x3C)) { 
    Serial.println(F("SSD1306 allocation failed"));
    for(;;);
  }
  display.clearDisplay();
  display.setTextSize(1);
  display.setTextColor(WHITE);
  
  updateDisplay("Connecting...");
  WiFi.begin(ssid, password);
  while (WiFi.status() != WL_CONNECTED) { delay(500); }
  
  setupI2S();
  updateDisplay("Ready.");
}

void loop() {
  if (digitalRead(BUTTON_PIN) == LOW) {
    sendAudioToWit();
    while(digitalRead(BUTTON_PIN) == LOW) delay(10);
    delay(200); 
  }
}
    

วิธีอัปโหลดและทดสอบระบบ Speech-to-Text

เมื่อเตรียมโค้ดและเปลี่ยนชื่อ SSID, รหัสผ่าน Wi-Fi และวาง Access Token เรียบร้อยแล้ว ให้กดปุ่มอัปโหลดตัวโปรแกรมใน Arduino IDE ได้เลยครับ วิธีการใช้งานจริงมีลำดับขั้นตอนง่ายๆ ดังนี้:

1. เมื่อเปิดสวิตช์เครื่องจ่ายไฟครั้งแรก ตัวเครื่องจะทำการเชื่อมต่ออินเทอร์เน็ต และเมื่อหน้าจอ OLED ขึ้นคำว่า "Ready." แสดงว่าระบบพร้อมทำงานแล้วครับ
2. ให้ทำกดสวิตช์ปุ่มกดค้างไว้ หน้าจอจะเปลี่ยนสเตตัสโชว์ข้อความคำว่า "Listening..."
3. จากนั้นให้เพื่อนๆ พูดประโยคคำสั่งเสียงภาษาอังกฤษใส่ตัวไมโครโฟน INMP441 ในระยะห่างประมาณ 15-20 เซนติเมตร
4. เมื่อพูดจบแล้วให้ปล่อยนิ้วออกจากปุ่มกด ระบบจะตัดสัญญาณและขึ้นว่า "Processing..." เพื่อส่งข้อมูลไปถอดรหัส
5. รอประมวลผลบนคลาวด์เพียงชั่วอึดใจ ประโยคที่เราพูดไปก็จะถูกถอดคำและแสดงผลตัวอักษรวิ่งขึ้นบนหน้าจอ OLED และหน้าต่าง Serial Monitor ทันที! แต่ถ้าหากระบบดักฟังแล้วไม่พบเสียงพูดจะแจ้งว่า "No speech detected" แทนครับ

การแก้ไขปัญหาเบื้องต้น (Troubleshooting) ที่มักจะเจอ

หากประกอบวงจรหรือรันโปรแกรมแล้วระบบทำงานติดขัด ลองตรวจสอบจุดผิดพลาดตามคู่มือตารางด้านล่างนี้ได้เลยนะครับ:

🖼️ คลังแกลเลอรี่ภาพประกอบและขั้นตอนทางเทคนิคเชิงลึก

คลิกเลือกดูรูปภาพอ้างอิงของไดอะแกรม ชิ้นส่วน และหน้าจอการตั้งค่าการอัปโหลดโค้ดเพิ่มเติม:

1. ภาพจำลองแผนผังระบบการทำงานภายใน (System Block Diagram):

2. ชิ้นส่วนภาพฮาร์ดแวร์จริงก่อนนำมาประกอบวงจรทดลอง:

3. รูปภาพแผนผังผังวงจร (Circuit Wiring Diagram) ฉบับเต็ม:

4. หน้าจอหลักในการลงทะเบียนใช้งานเพื่อสร้างแอปบนแพลตฟอร์มคลาวด์:

5. ขั้นตอนระบุชื่อและเปิดสร้างแอปพลิเคชันตัวช่วยอัจฉริยะในหน้าเว็บ:

6. หน้าต่างระบุตำแหน่งการเสิร์ชและติดตั้งไลบรารีของค่าย Adafruit ผ่านโปรแกรม:

7. ตัวอย่างการแจ้งเตือนเมื่อระบบทำการคอมไพล์โค้ดและส่งข้อมูลลงบอร์ดสำเร็จ:

8. หน้าตาของระบบวงจรจริงเมื่อทำงานเสร็จสมบูรณ์ในโหมดรับฟังเสียง:

9. ตัวอย่างการแจ้งเตือนประเภทข้อผิดพลาดเมื่อลืมติดตั้งตัวเสริมไลบรารี: