引言

做一个专属于音乐的显示设备，这个念头在我脑海里已经盘旋了好几年。

最初的构想是一个挂在墙上的 Hi-Fi 音乐画框——类似三星 The Frame 电视的形态，但完全为音乐体验而设计。一张标准 12 英寸黑胶唱片封套大约是 31 厘米见方；我设想的设备稍大一些，做成长方形，大概 31 × 45 厘米，足够在彩色电子墨水屏上完整展示专辑封面，同时留出空间放置播放控制与曲目信息。连上无线音箱，以无损音质播放音乐；不放歌的时候，它就是墙上一幅安静的艺术品。某种意义上，这是对黑胶时代视觉仪式感的一种数字回归。

那个梦想至今仍在。但真正在一周内被做出来的，是一个更小、更粗糙、完全由挫败感催生的东西。

缘起：杜比全景声与 AirPlay 的落差

几个月前，我入手了两台 Sonos Era 300。纯粹是因为：Lily Allen 的新专辑采用了杜比全景声混音，我在MacBook Pro上听到的专辑的立体感，我也想让我在法国的家里真正感受空间音频的沉浸感，而 Era 300 正是当时市面上少数支持 Dolby Atmos 的无线音箱之一。

Sonos的音箱本身的表现没有任何可以挑剔的地方。真正让我困扰的，是围绕它的软件生态。

在此之前，我使用初代 HomePod 已经有好几年。HomePod 播放 Apple Music 的无损内容一直是无缝的——这很可能是因为 HomePod 并非通过标准 AirPlay 音频流接收数据，而是直接从 Apple 服务器拉取原始音频。带着同样的期待，我买下了 两台Sonos Era 300。

然而一个月后，我才意识到一个关键的技术事实：AirPlay 2 协议在传输音频时，会统一将所有内容编码为 AAC-LC 256 kbps——这是一种有损编码格式。也就是说，无论你的音源是 Apple Music 的无损 ALAC 还是 Tidal 的 Hi-Res FLAC，只要经过 AirPlay 传输到 Sonos，最终到达音箱的都是压缩后的有损音频。

Apple Music (ALAC 无损)

    ├─→ HomePod: 直接从 Apple 服务器拉取 → 无损 ✓

    └─→ AirPlay 2 → AAC-LC 256kbps (有损) → Sonos ✗

  

Sonos App 原生串流 → Apple Music/Tidal → 无损 ✓

想要真正发挥这些高端音箱的无损能力，唯一的途径是使用 Sonos 自家的 App，通过其原生集成的流媒体服务（Apple Music、Tidal 等）直接串流，完全绕过 AirPlay。

而 Sonos App，恰恰是这整个体验中最令人头疼的环节。

从便携到固定：控制逻辑的断裂

其实我并非 Sonos 生态的新用户。在 Era 300 之前，我已经使用 Sonos Roam 大约三四年了。Roam 的体验一直是可以接受的，原因很简单——它是一个便携音箱，你随身携带，物理按键永远触手可及。调音量、切歌，手指一按就行。App 有 bug？无所谓，反正你也不需要打开它。

Era 300 彻底改变了这个前提。这是两台固定放置的音箱，摆在房间另一头的架子上。没有方便触及的物理按钮。从此，每一次交互——调音量、切歌、暂停——都变成了「掏出手机 → 打开 Sonos App → 等待连接 → 执行操作」的四步流程。

而 Sonos App 的表现，用过的人大概都深有体会。音量控制会莫名失灵。使用 Sonos 原生串流时，iOS 系统的音量按键和控制中心对它完全无效——你必须在 App 内操作。语音控制同样不稳定：一半时间不响应，另一半时间响应了但做的不是你要求的事。

2026 年了，控制一台音箱不应该是这样的体验。

音乐的「不可见」问题

但真正让我耿耿于怀的，是一个更根本的问题。

我一直很喜欢 Apple Music 渲染「正在播放」界面的方式——专辑封面背后那层柔和的、色彩斑斓的模糊光晕。它让音乐产生了一种可感知的「存在感」。你瞥一眼手机屏幕，整个界面都在随着当前曲目的情绪而流动。

但当你锁屏的那一刻，这一切就消失了。音乐变得彻底不可见。花了几千块的 Sonos 音箱——拥有出色工业设计的音箱——就那样静静坐在架子上，像一个沉默的黑盒子。你不知道它在放什么，除非你拿起手机去查看。

这个问题在 Sonos 社区中其实已经被讨论了超过十年。论坛帖子和 Reddit 上的诉求始终如一：用户渴望一个不需要「主动查看」的环境显示器——一个用余光就能感知到当前播放信息的存在。旧的 iPad 太卡、电视太浪费、智能显示屏同步太差、树莓派 DIY 方案成本高且维护复杂。

在了解这些方案的过程中，我注意到了 Tidbyt——一款小型 LED 像素显示屏，可以显示 Sonos「正在播放」信息以及各种小组件。这个产品形态立刻吸引了我：一个独立的、小巧的、始终亮着的环境显示器，正是我想要的东西。

但 Tidbyt 的架构让我望而却步。它完全依赖云端：硬件本身只是一个 ESP32 控制器，所有渲染逻辑、数据拉取都在他们的服务器上完成。没有本地处理能力，没有自定义空间，也没有离线运行的可能。更关键的是，Tidbyt 最近被 Modal Labs 收购后已经停产，社区正在紧急搭建「Tronbyt」等救援项目，试图在官方服务器关闭后延续现有设备的生命——这是云端硬件产品的经典死亡螺旋。

我想要的，是一个完全本地运行、可以自由扩展、不依赖任何公司服务器的方案。

于是我买了一台 Ulanzi TC001。这是一款售价200人民币左右的 LED 矩阵时钟，内置 ESP32-WROOM-32 芯片，8×32 像素的 WS2812B LED 矩阵，还带有光线传感器和蜂鸣器。硬件足够了，剩下的就是软件。

一周、四个版本：架构演进的全过程

翻开这个项目的 git 历史，时间线几乎令人难以置信：从零到一个完整可用的系统，不到一周；其间经历了四次重大的架构改写。这种开发节奏，大概只有在你挠到一个困扰了自己很久的痒处时才会出现。

V1：基于 AWTRIX 3 的初始方案

第一个版本使用了 AWTRIX 3——一个成熟的开源 LED 矩阵固件。我在 NAS 上编写了一个 Python 脚本，通过 SoCo 库轮询 Sonos 获取当前播放曲目，从专辑封面提取一个主色调，然后通过 HTTP API 向运行 AWTRIX 固件的 Ulanzi 推送滚动文字。

它能跑。但效果离「环境显示器」相去甚远——AWTRIX 内置的跑马灯在每次循环之间会留下一大段空白，颜色只有单一的主色调，扁平且毫无生气。整体感觉更像一个极客玩具，而不是一个你愿意长时间放在桌面上的设备。

V1.5：NAS 充当 GPU 的疯狂尝试

不满足于 AWTRIX 有限的显示能力，我走上了一条更为激进的路线：让 NAS 承担全部渲染工作。

我用 Python 写了一个完整的渲染器，逐像素计算弹跳滚动位置、从五色加权调色板生成逐字符渐变色，然后以 5 fps 的频率向 AWTRIX 推送完整的像素帧。代码量迅速膨胀到 5000 行以上。我还添加了一个网页版的实时像素镜像面板——在浏览器里看，渐变效果确实很漂亮。

但在实际的 LED 矩阵上，问题暴露无遗。ESP32 的 CPU 在每次写入 WS2812B 灯带时会被阻塞约 7.7 毫秒（bit-banging 协议的固有限制），在这个时间窗口内无法处理任何网络请求。HTTP 响应时间因此从 20 毫秒到 1.5 秒以上不等，完全不可预测。

我随后尝试从 HTTP 切换到 MQTT 传输，期望利用 MQTT 的非阻塞发布（publish 耗时约 0.1 毫秒）来绕过这个瓶颈。然而测试发现，即使网络传输不再是问题，ESP32 端的消息处理速率也被限制在约每秒 12 条——帧率上限始终突破不了 10 fps。

问题的根源不在传输协议，而在架构本身。我把 NAS 变成了一个给 256 像素屏幕用的远程 GPU，这条路从一开始就是错的。

V2：状态机重构，但治标不治本

第三次尝试引入了规范的状态机来管理页面轮转和滚动逻辑，试图让代码更加可维护。但它的底层仍然是 AWTRIX，仍然是 NAS 端渲染。边缘情况的补丁以比我修复 bug 更快的速度累积：弹跳滚动与页面切换的冲突、莫名出现的 5 像素边距、HTTP 超时导致的画面撕裂。每修一个 bug，都会引入一个新的。

V3：扔掉一切，从零开始

3 月 13 日中午前后，我做了一个改变整个项目走向的决定——彻底放弃 AWTRIX，从零编写自定义 ESP32 固件。

核心洞察其实很简单：不要再试图让一个设备同时做两件事，而是明确分工。

• NAS 负责「决定显示什么」：曲名、艺术家、调色板颜色、播放进度、BPM、能量值。它通过 MQTT 每秒发布一条轻量的 JSON 消息，约 100 字节。
• ESP32 负责「决定怎么显示」：文字滚动、渐变光环动画、色彩光斑漂移、歌曲过渡效果——全部在本地以 30 fps 实时计算和渲染。

结果是立竿见影的。动画帧率从 5 fps 提升到 30 fps，提升了六倍。网络流量下降了 80%。即使 MQTT 消息偶尔延迟，显示器的渲染也完全不受影响——因为它不再依赖网络来驱动每一帧。

回过头来看，我在 V1 到 V2 三个版本上花费的补丁时间，几乎等于从头编写 V3 自定义固件所用的时间。这次重写解决了之前所有累积的架构问题。我将这套设计称为「State-Sync」（状态同步）架构，它成为了后续一切功能的基石。

在 256 像素上复现 Apple Music 的色彩感

这个项目中最令我满意的部分之一，是调色板提取算法的实现。

目标很明确：让 8×32 的 LED 矩阵呈现出类似 Apple Music「正在播放」界面那种随专辑封面情绪而流动的色彩感。传统的 k-means 聚类或 LAB 色彩空间转换虽然效果尚可，但对于需要在歌曲切换时实时计算的场景来说太过昂贵。

我最初实现了一种桶频率分析算法，灵感来源于 iTunes 11 时代的配色方案。具体而言：对专辑封面的左侧边缘进行采样（情绪色彩通常集中在这个区域），将 RGB 值按每通道 5 bit 进行分桶（共 32,768 个桶），过滤掉「无聊」的颜色——接近纯黑、纯白或纯灰的色值——并强制相邻色之间的最小色相距离为 0.06，以确保最终调色板中的颜色足够鲜明且有区分度。

整个计算在 32×32 降采样图像上完成，耗时不到 1 毫秒。

在 ESP32 端，固件利用这组调色板渲染了最多五个柔和的色彩光斑（blob），它们以利萨如（Lissajous）轨迹在文字背后缓慢漂移，脉动频率与当前曲目的 BPM 同步，亮度随频谱能量波动。文字本身从这片流动的色彩场中采样颜色，使得每个字符都带有微妙的动态色彩变化。

在一个只有 256 像素的 LED 矩阵上，这个效果好得超出了它本该有的水平。

一开始，我以为 256 像素就是不可逾越的硬件限制。后来才意识到，真正的瓶颈从来不是硬件——而是架构。

后来我用 CIELAB 色彩空间的 K-means 聚类重写了整个调色板算法——感知均匀性带来了质的飞跃。但这是下篇的故事了。

Last.fm：数据主权的失落与夺回

我曾是 Last.fm 的付费用户，痴迷于记录每一次收听——Apple Music 元数据、iTunes 导入的第三方音乐、完整的收听历史。对我来说，这些播放记录就是数据，而我深深在乎自己的数据。

后来 Apple 推出了 Replay 功能，基本覆盖了我对收听统计的需求。但真正让我放弃 Last.fm 的，是数据管理的灾难。每次切换 App Store 地区（偶尔需要下载其他区域的应用），Last.fm iOS 客户端的播放记录都会凭空消失。切换回来后尝试重新导入，得到的是令人抓狂的数据差异：重复条目、缺失时段、错位的时间戳。精心维护的数据变得不可信赖——而不可信赖的数据，比没有数据更糟糕。

2024 年，Sonos 推送了那次灾难性的 App 大更新，Last.fm 的 scrobble 功能对几乎所有用户都失效了。Reddit 上充斥着相关报告，Sonos 客服甚至公开确认没有修复计划。

在这个项目中重建 scrobble 功能，对我来说有一种「夺回数据主权」的意味。因为系统直接通过本地 UPnP 协议轮询音箱的播放状态，它可以完全独立于 Sonos 的云端基础设施来检测播放并发送 scrobble 数据。无论 Sonos 未来怎样更新（或搞坏）他们的 App，这套系统都不受影响。

这只是开始

写到这里，你看到的是这个项目的「骨架」：一个从挫败感出发、经历四次架构迭代、最终找到正确设计范式的过程。State-Sync 架构给了我一个干净的基础——NAS 决定「什么」，ESP32 决定「怎么」。色彩光斑赋予了 256 像素超出预期的视觉表现力。Last.fm 的重建让播放数据回到了我自己手中。

但这只是基础。

当架构稳定之后，我开始在两个方向上同时推进：把 256 像素的表现力榨到极限，同时直面一个越来越无法回避的事实——256 像素，终究是不够的。

在下篇中，我会讲述为什么 8 个字符的显示宽度逼得我去删歌词里的逗号，如何把一个 Sonos 专属的显示器变成支持所有 AirPlay 设备的通用音乐伴侣，如何用 Whisper 和动态规划让歌词逐字同步，如何用频谱分析让色彩光斑跟着节拍呼吸——以及，为什么做完这一切之后，我反而更加确信需要一个全新的硬件。