はじめに
AtomVM を使って、Seeed Studio XIAO ESP32-C5 に接続したスピーカーから「パ・パ・パ」と歌わせる実験をしました。
きっかけは、電子工作や IoT に詳しい友人の @kurokouji さんが作った、複数のデバイスが連携する音楽デモです。歌手役のデバイスが、モーツァルトの『魔笛』に登場するパパゲーノとパパゲーナの二重唱を歌う、というものでした。
面白そうだと思ったものの、暗号化通信や音声回路など、さまざまな技術が組み合わさっており、いきなり全体を再現するのは難しそうでした。
そこで、デモを構成する技術を一つずつ學び、小さな Hello World として試していくことにしました。今回はその一つとして、ブレッドボードに音声回路を組み、スピーカーから音を出すことに取り組みました。
できたもの
最初は XIAO ESP32-C5 を 1 台使い、ブレッドボードに組んだ音声回路から「パ・パ・パ」と歌わせることができました。
音源には、LLM に生成してもらった約 10 秒の練習用フレーズを使用しています。
その後、同じ音声回路をもう一組用意し、2 台の XIAO ESP32-C5 でパパゲーノ(男声)とパパゲーナ(女声)をそれぞれ再生し、掛け合いで歌わせるところまで試してみました。
こちらは @kurokouji さんから提供してもらった歌手別の音源を使用しています。
※ 画像をクリックすると、音声付きの動画が開きます。
それぞれの基板に担当する歌声のデータを書き込み、ほぼ同時に電源を入れることで、男声と女声の掛け合いを再生できました。
今回はデバイス間で通信して同期しているわけではなく、音源に含まれる休止時間をそのまま残し、起動タイミングを合わせるというシンプルな方法を採用しています。
ソースコードと配線図は GitHub に公開しています。
回路を調べて部品をそろえる
音声回路を作るにあたり、友人の @kurokouji さんから、次の資料を教えてもらいました。
- Piyopiyo PCB — @kurokouji さんが XIAOGYAN に着想を得て設計した、Elixir コミュニティ向けの基板。
- XIAOGYAN — PWM 出力や音声アンプ、スピーカーなどを備えた IoT デバイス。
まず、LLM に Piyopiyo PCB のリポジトリを調べてもらい、PWM を使った音声回路の仕組みを説明してもらいました。
その内容を参考に、今回の実験に必要な部品を洗い出し、秋月電子通商 などで探していきました。
ところが、部品をそろえるだけでも思った以上に苦労しました。
抵抗は見た目が似ていて、カラーコードを読まないと値が分かりません。コンデンサはさらにややこしく、102、104、105 といった数字の読み方に加え、pF、nF、µF という単位の違いにも戸惑いました。同じ容量でも表記が違うことがあり、目的の部品を探すだけでも一苦労でした。
また、電解コンデンサには極性があることや、ブレッドボードの大きさによって作業のしやすさが変わることも、このときに學びました。
部品の見当がついたところで、XIAO ESP32-C5 のピン配置を確認しながら、LLM に相談して部品リストと配線図を作りました。
使用した部品
今回の実験で使用した部品を以下にまとめました。数量は XIAO ESP32-C5 を 1 台使用する場合のものです。2 台でデュエットを再生する場合は、基本的に同じ構成を 2 セット用意します。
部品の仕様と購入先も記載しているので、同じ構成を試す際の参考になればと思います。
| 部品 | 仕様 | 数量(1台分) | 購入先 |
|---|---|---|---|
| XIAO ESP32-C5 | AtomVM を実行するマイコン | 1 | Switch Science |
| オーディオアンプ IC | NJM2113D(DIP-8) | 1 | 秋月 |
| スピーカー | UGSM23A、8 Ω / 0.08 W | 1 | 秋月 |
| 半固定抵抗 | 10 kΩ(103)、音量調整用 | 1 | 秋月 |
| 抵抗 | 10 kΩ | 2 | 秋月 |
| 抵抗 | 47 kΩ | 1 | 秋月 |
| セラミックコンデンサ | 1 nF(102) | 1 | 秋月 |
| セラミックコンデンサ | 0.1 µF(104) | 2 | 秋月 |
| セラミックコンデンサ | 1 µF(105) | 1 | 秋月 |
| 電解コンデンサ | 4.7 µF | 1 | 秋月 |
| 電解コンデンサ | 10 µF | 1 | 秋月 |
| ブレッドボード | DIP-8 IC を配置できるサイズ | 1 | 秋月 |
| ジャンパーワイヤ | ブレッドボード用。仮配線や試行錯誤に便利 | 適量 | 秋月 |
| 配線用単芯電線(カラー) | 必要な長さに切って使用。配線の整理に便利 | 適量 | 秋月 |
| USB-C ケーブル | データ通信・給電対応 | 1 | 手持ち品 |
これで準備はできたと思ったのですが、実際にブレッドボードへ配線してみると、また別の難しさがありました。
これまで試してきた LED の点滅などとは違い、抵抗やコンデンサをどこに、どのようにつなげばよいのか、最初はよく分かりませんでした。
試行錯誤している間は、抜き差ししやすいジャンパーワイヤが重宝しました。一方、回路の構成が分かってきてからは、カラーの単芯電線を必要な長さに切って使うことで、配線をすっきり整理できました。
ただ配線図をまねるのではなく、回路を機能ごとに分け、それぞれの部品が何のために使われているのかを一つずつ學ぶことにしました。
回路を機能ごとに分けて考える
音声回路を整理してみると、大きく次のような機能に分けられることが分かりました。
XIAO ESP32-C5
│ PWM 音声出力
▼
RC ローパスフィルタ
│
▼
音量調整(可変抵抗)
│
▼
音声アンプ(NJM2113D)
│
▼
スピーカー
このほかにも、音声信号の直流成分を取り除くコンデンサや、アンプの電源を安定させるためのコンデンサなどがあります。
それぞれの仕組みを LLM に説明してもらいながら調べていくうちに、部品の役割や配線の意味が少しずつ分かるようになりました。
特に興味深かったのは、抵抗とコンデンサを組み合わせた PWM フィルタと、コンデンサによる電源の安定化です。同じ部品でも、使い方によって役割が変わることが印象に残りました。
PWM で音声信号を作る
まず學んだのが、PCM(Pulse Code Modulation)と PWM(Pulse Width Modulation)の違いです。
PCM は音声を数値で表す方式で、PWM は GPIO の HIGH / LOW を高速に切り替え、その時間の割合(デューティ比)で値を表す方式です。
今回の実験では、8-bit の PCM データを使用しています。各サンプルは 0〜255 の値を持ち、128 付近が波形の中心に相当します。
ESP32-C5 では、この PCM の値に応じて PWM のデューティ比を変化させ、GPIO から出力しています。
例えば、デューティ比が 25% なら HIGH の時間は全体の 1/4、75% なら 3/4 になります。
ここで少しややこしかったのが、PCM のサンプルレートと PWM の周波数は別物だという点です。
- PCM のサンプルレート:1 秒間に何個の音声サンプルを再生するか。最初の実験では 8 kHz、2 台でのデュエットでは 16 kHz を使用しました。
- PWM の周波数:GPIO の HIGH / LOW を 1 秒間に何周期繰り返すか。最初の実験では約 156 kHz でした。
つまり、PCM の値を一定間隔で読み出し、その値に応じて高速な PWM のデューティ比を更新しています。
ただし、GPIO から出力されるのは、まだ HIGH / LOW を繰り返すパルス信号です。これを音声として扱いやすい信号に近づけるために、次の RC ローパスフィルタを使います。
RC フィルタで PWM を滑らかにする
今回、特に興味深かったのが、RC ローパスフィルタです。
RC フィルタは、抵抗(R:Resistor)とコンデンサ(C:Capacitor)を組み合わせたアナログフィルタです。
アナログフィルタとは、プログラムで数値を計算するのではなく、電子部品の電氣的な性質を利用して、信号に含まれる周波数成分を調整する回路のことです。
今回使用したローパスフィルタ(Low-Pass Filter)は、低い周波数の成分を比較的通しやすく、高い周波数の成分を弱める働きをします。
PWM は GPIO の HIGH / LOW を高速に切り替える信号ですが、そのままでは高速なスイッチング成分が含まれています。RC フィルタを通すことで、この高周波成分を弱め、音声に必要な比較的ゆっくりした電圧の変化を取り出します。
今回の回路では、10 kΩ の抵抗(R1)と 1 nF のコンデンサ(C5)を使用しました。
PWM ── R1(10 kΩ)──┬── フィルタ後の信号
│
C5(1 nF)
│
GND
抵抗は電流の流れを制限し、コンデンサは電氣を蓄えたり放出したりします。コンデンサの充放電には時間がかかるため、PWM の高速な電圧変化が緩やかになります。
この組み合わせでは、理論上のカットオフ周波数は約 15.9 kHz になります。高い周波数ほど減衰しますが、1 段の RC フィルタですべての高周波成分を取り除けるわけではありません。
最初は抵抗とコンデンサをそれぞれ独立した部品として考えていましたが、この 2 つを組み合わせるだけで、プログラムを使わずに信号の性質を変えられることが新鮮でした。
可変抵抗で音量を調整する
RC フィルタを通った音声信号は、10 kΩ の半固定抵抗(可変抵抗)で音量を調整します。
可変抵抗は、つまみを回すことで抵抗値を変えられる部品です。今回使用したものには端子が3本あり、それぞれ次のようにつなぎます。
- 入力端子:RC フィルタからの音声信号
- GND 端子:GND に接続
- 中央端子(ワイパー):音量を調整した信号をアンプへ送る
RC フィルタからの音声信号
│
▼
┌─────────┐
│ 10 kΩ │
│ 可変抵抗 ├── ワイパー → アンプへ
│ │
└────┬────┘
│
GND
この仕組みを分圧と呼びます。つまみを回すとワイパーの位置が変わり、取り出す信号の電圧を調整できます。
ここで面白かったのは、可変抵抗自体が音声信号を増幅しているわけではないことです。アンプに渡す信号を弱めることで、結果的に音量を調整しているのです。
実際にスピーカーを駆動するのは、この後に接続するオーディオアンプの役割になります。
アンプでスピーカーを鳴らす
音量を調整した信号は、オーディオアンプ IC の NJM2113D に入力します。
マイコンの GPIO から出力される信号だけではスピーカーを十分に駆動できないため、アンプを使います。アンプは電源から供給されるエネルギーを使い、入力された音声信号に応じてスピーカーを動かします。
今回の回路では、アンプの入力部分に次の部品を使用しています。
| 部品 | 役割 |
|---|---|
| C6(0.1 µF) | 音声信号の直流成分を遮断する |
| R2(10 kΩ) | アンプの入力抵抗 |
| R3(47 kΩ) | アンプの増幅率を調整する帰還抵抗 |
特に興味深かったのが、C6 の役割です。
PWM を RC フィルタで滑らかにしても、信号には直流(DC)成分が残っています。C6 は、この直流成分を遮断し、音声に相当する変化成分(交流成分)を次の回路へ通します。このような使い方を AC カップリングと呼ぶそうです。
また、R3 はアンプの出力の一部を入力側へ戻すための抵抗です。これを負帰還(Negative Feedback)と呼び、R2 と組み合わせて増幅率を決めます。
NJM2113D は BTL(Bridge-Tied Load)方式のアンプで、スピーカーの両端をアンプの出力(5番・8番ピン)に接続します。スピーカーの片側を GND につながない点も、今回新しく學んだことの一つです。
こうしてアンプで増幅された信号によってスピーカーが振動し、ようやく音として聞こえるようになります。
コンデンサでアンプの動作を安定させる
もう一つ興味深かったのが、コンデンサを使った電源や回路の安定化です。
今回の回路では、アンプの周辺に次のコンデンサを配置しています。
| 部品 | 容量 | 役割 |
|---|---|---|
| C7 | 1 µF(105) | 使用しない入力端子を安定させる |
| C8 | 4.7 µF | アンプ内部の基準電圧を安定させる |
| C9 | 10 µF | 電源電圧の比較的ゆっくりした変動を抑える |
| C10 | 0.1 µF(104) | 電源の高周波ノイズを抑える |
特に面白いと感じたのが、C9 と C10 を組み合わせた電源の安定化です。
アンプがスピーカーを動かす際には、電源から電流を消費します。電流の変化によって電源電圧が揺れると、音声にノイズが混じったり、動作が不安定になったりする可能性があります。
そこで、3.3 V と GND の間にコンデンサを接続し、電源電圧の変動を抑えます。このような対策をデカップリング(Decoupling)や電源バイパスと呼びます。
今回使用した C9(10 µF)は比較的ゆっくりした電源変動を緩和し、C10(0.1 µF)は高速な変動への対策として、アンプの電源ピンの近くに配置します。
最初は、コンデンサは電氣を蓄える部品という程度の理解でした。しかし、PWM の平滑化、直流成分の遮断、電源の安定化など、同じコンデンサでも接続する場所や容量によって役割が変わることが分かりました。
今回の実験では、実際にスピーカーから音を出すことができました。ノイズ低減の効果までは検証していませんが、まずはそれぞれのコンデンサの役割を理解できたことが収穫でした。
部品の役割が分かると配線も整理できた
最初は配線図を頼りに、ブレッドボードへ部品を並べていました。しかし、配線が増えるにつれて、どの線が何につながっているのか分かりにくくなってしまいました。
ジャンパーワイヤで何度もつなぎ直しながら試行錯誤していましたが、回路を機能ごとに學んでいくうちに、部品の配置も見直すようになりました。
PWM フィルタ、音量調整、アンプといった機能ごとに部品をまとめ、信号が流れる順番に配置することで、配線の見通しがよくなりました。
また、必要な長さに切ったカラーの単芯電線を使うことで、余分な配線も減らせました。
今回、特に印象に残ったのは、部品の役割を理解していくことで、自然と配線も整理されていったことです。
最初は難しく感じていた回路も、機能ごとに分けて考えることで少しずつ理解できるようになりました。
AtomVM で音声を再生する
音声回路ができたところで、次は AtomVM から PWM を出力するプログラムを作りました。
今回の実装では、Elixir と C で役割を分けています。
- Elixir:再生する音源の選択、再生開始、完了確認を担当する
- C(ESP-IDF):一定間隔で音声データを読み出し、PWM のデューティ比を更新する
- Python:練習用音源の生成や、音声データの取り込みを担当する
処理の流れは次のようになります。
Python で音声データを準備
│
▼
Flash に PCM データを格納
│
▼
Elixir / AtomVM
(音源の選択・再生指示)
│
▼
C / ESP-IDF
(PCM を読み出して PWM を更新)
│
▼
XIAO ESP32-C5 の GPIO7
│
▼
音声回路 → スピーカー
Elixir から C の処理を呼び出すために、NIF(Native Implemented Function)を使用しています。
音声を再生するには、PCM のサンプルレートに合わせて一定間隔で PWM を更新する必要があります。そのため、タイミングが重要な処理は C 側に任せ、ESP-IDF の GPTimer と LEDC を使用しました。
また、今回の音声 NIF は標準の AtomVM には含まれていないため、専用のカスタムファームウェアをビルドしています。
2 台で歌わせる
最初は 1 台で約 10 秒の練習用フレーズを再生していましたが、その後、友人から提供してもらったパパゲーノとパパゲーナの歌声を使って、2 台での再生にも挑戦しました。
それぞれの基板に担当する音声データを組み込み、別々のファームウェアとアプリを書き込みました。
- Papageno(男声):16 kHz の男声音源を再生
- Papagena(女声):16 kHz の女声音源を再生
今回はデバイス間の通信による同期は行わず、音源に含まれる休止時間を保持したまま、2 台をほぼ同時に起動する方法を採用しました。
実際に試してみると、2 台のスピーカーからそれぞれの歌声が聞こえ、掛け合いも再生できました。
ソースコードやファームウェアのビルド手順は、GitHub リポジトリ にまとめています。
音声データにもいろいろな形式があった
音声を再生する仕組みを調べる中で、音声データにもさまざまな形式があることを知りました。
最初は WAV や PCM という名前の違いをあまり意識していなかったのですが、調べてみると、サンプルレート・ビット深度・チャンネル数など、いくつもの要素があることが分かりました。
今回扱った音声データは次のとおりです。
| 音源 | 形式 | サンプルレート | ビット深度 | チャンネル |
|---|---|---|---|---|
| LLM に生成してもらった練習用フレーズ | PCM | 8 kHz | unsigned 8-bit | mono |
| パパゲーノ(男声) | Raw PCM | 16 kHz | unsigned 8-bit | mono |
| パパゲーナ(女声) | Raw PCM | 16 kHz | unsigned 8-bit | mono |
| 参考用の二重唱音源 | WAV | 48 kHz | signed 16-bit | stereo |
それぞれの意味を簡単に整理すると、次のようになります。
- サンプルレート:1 秒間に音声の値を何回記録するか。16 kHz なら 1 秒間に 16,000 回。
- ビット深度:音声の値を何ビットで表現するか。8-bit なら 256 段階。
- チャンネル数:mono は 1 チャンネル、stereo は 2 チャンネル。
また、WAV と PCM は単純に別々の音声方式というわけではありません。
PCM は音声を数値で表す方式で、WAV は音声データを格納するファイル形式です。WAV ファイルの中にも PCM データを格納できます。
WAV には通常、サンプルレートなどの情報がヘッダーとして含まれます。一方、今回の .pcm ファイルはヘッダーのない生データ(Raw PCM)なので、再生するときに形式を指定する必要があります。
例えば、パパゲーノの音源を PC で再生する場合は、次のように指定できます。
ffplay -f u8 -ar 16000 -ac 1 song_male.pcm
ここで u8 は unsigned 8-bit、16000 は 16 kHz、1 はモノラルを意味します。
特に注意が必要だと感じたのが、サンプルレートです。
例えば、16 kHz の音声データを 8 kHz として再生すると、再生速度が半分になり、音程も低くなってしまいます。サンプルレートを変更するには、単に数値を変更するのではなく、適切なリサンプリングが必要です。
今回、最初の練習用フレーズは 8 kHz で再生していましたが、2 台でのデュエットでは、提供してもらった歌声の 16 kHz を維持したまま再生できるようにしました。
また、歌手別の音源には冒頭に休止時間が含まれていました。これを取り除かずに使うことで、2 台をほぼ同時に起動したときに、元の掛け合いのタイミングを再現できました。
音声ファイルも、ただデータを読み込めばよいわけではなく、そのデータがどのような形式で記録されているかを理解することが大切だと分かりました。
おわりに
今回は音声再生に絞って、電子回路や PCM・PWM の仕組みを一つずつ學びました。
最初は 1 台の XIAO ESP32-C5 から音を出す実験でしたが、最終的には 2 台でパパゲーノとパパゲーナの掛け合いを再生できました。
今後も、氣になった技術を小さな Hello World に分けて、少しずつ試していきたいと思います。












