Arduino-Pico 4.4.3版本发布:双向I2S与软件SPI功能解析
Arduino-Pico项目为Raspberry Pi Pico/RP2040微控制器提供了完整的Arduino核心支持,让开发者能够在熟悉的Arduino开发环境中充分利用RP2040芯片的强大功能。最新发布的4.4.3版本带来了两项重要的功能升级:双向I2S接口支持和软件实现的SPI接口,进一步扩展了RP2040在音频处理和灵活外设连接方面的能力。
双向I2S接口支持
I2S(Inter-IC Sound)是一种专为数字音频数据传输设计的串行总线标准。在之前的版本中,Arduino-Pico仅支持单向I2S通信,即要么作为发送方,要么作为接收方。4.4.3版本引入了双向I2S支持,允许同一组BCLK(位时钟)和LRCLK(左右声道时钟)信号线同时用于输入和输出。
这项改进意味着:
- 音频设备可以同时进行录制和播放,共享同一时钟信号
- 减少了硬件连接复杂度,节省了宝贵的GPIO引脚资源
- 为全双工音频应用如VoIP、实时音频处理等场景提供了更好的支持
实现上,项目团队对AudioBufferManager和I2S驱动进行了增强,新增了缓冲区读取功能,确保音频数据能够高效地在输入和输出之间流转。
软件SPI实现
传统SPI接口通常需要专用的硬件引脚,这在引脚资源紧张或需要特殊布局时会成为限制。4.4.3版本通过PIO(可编程I/O)技术实现了软件SPI,具有以下特点:
- 完全通过软件实现,不依赖硬件SPI外设
- 可在任意GPIO引脚上配置SPI功能
- 保持与标准SPI库相同的API接口,便于移植现有代码
- 利用RP2040独特的PIO状态机实现高效位操作
这项功能特别适合以下场景:
- 当硬件SPI引脚已被其他功能占用时
- 需要多个SPI设备但硬件SPI接口数量不足
- 特殊PCB布局要求SPI信号走特定路径
其他改进
除了上述主要功能外,4.4.3版本还包含多项优化:
- 改进了PSRAM和Boot2的文档说明,帮助开发者更好地理解和使用这些功能
- OTA(空中下载)更新器增加了更详细的错误代码,便于诊断网络存储(OOS)相关的问题
- 修复了Adafruit Feather RP2350 HSTX板上的I2C功能问题
- 移除了不必要的SDFAT_FILE_TYPE设置,使用默认值即可正常工作
技术实现细节
在底层实现上,开发团队对SPI和SoftwareSPI的代码进行了重构,消除了重复代码,提高了维护性。双向I2S的实现则充分利用了RP2040的DMA和双核特性,确保音频数据能够高效传输而不占用过多CPU资源。
对于软件SPI,PIO的灵活编程能力是关键。每个PIO状态机可以精确控制引脚时序,实现SPI协议要求的时钟和数据同步,同时保持较低的中断开销。
结语
Arduino-Pico 4.4.3版本的发布进一步丰富了RP2040在Arduino生态系统中的功能集。双向I2S为音频应用开发者提供了更多可能性,而软件SPI则解决了硬件限制带来的困扰。这些改进体现了项目团队对实际开发需求的深刻理解和对RP2040硬件特性的充分利用,为嵌入式音频处理和灵活外设连接提供了更加强大的工具集。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0201
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07