I2S 通訊協定完整教學：從時序到 STM32/ESP32 音訊實作

前言

我還記得第一次把 MEMS 麥克風接上 MCU 的那個下午。資料線接了、電源也給了，程式跑起來卻只拿到一整片雜訊。後來才發現問題出在時脈 —— 我把 I2S 當成 SPI 在用，少想了一件事：這個協定是為「連續不斷的音訊」設計的，不是為「偶爾傳幾個位元組」設計的。

I2S 通訊協定（Inter-IC Sound，也寫作 I²S）是飛利浦在 1986 年制定的數位音訊序列匯流排標準。不同於 SPI 或 I2C 的通用性，I2S 是專門為數位音訊設計的，用於在音訊編解碼晶片（Audio Codec）、MEMS 麥克風、DSP 和 MCU 之間傳輸 PCM 音訊資料。ESP32 內建了兩組 I2S 控制器，STM32 也有多組 SPI/I2S 可配置的周邊，這使得 I2S 成為嵌入式音訊專案的首選介面。

如果你還沒碰過序列匯流排，先看 SPI 通訊實戰會比較有感覺，I2S 的時序概念跟它最接近。這篇我打算從時序、模式、硬體設計一路講到實際程式碼，把 I2S 一次搞懂。

一、I2S 通訊協定基本概念

1.1 訊號線

I2S 使用三條訊號線（加上可選的 MCLK）：

• SCK（Serial Clock / Bit Clock）：位元時脈，每個 SCK 週期傳送一個位元
• WS（Word Select / Frame Sync）：聲道選擇，0=左聲道，1=右聲道
• SD（Serial Data）：序列資料線，可配置為輸入（SDI）或輸出（SDO）
• MCLK（Master Clock，可選）：主時脈，通常為 256×FS 或 512×FS

三條線的分工很乾淨：SCK 負責「什麼時候看」，WS 負責「現在講左耳還是右耳」，SD 才是真正的資料。我在心裡的記法是 SCK 是節拍器、WS 是左右手、SD 才是球。

看圖就知道為什麼它比 SPI 適合音訊：SCK 從頭到尾沒有停過，WS 每半個幀翻一次，SD 則是在 WS 變換後先空一拍，才把 MSB 推出來。這一拍就是 I2S 最重要的身分證。

1.2 時序特性

I2S 的核心特性是 MSB 先行（MSB First）且在 WS 變換後延遲一個 SCK 週期開始傳送（標準 Philips 模式）。這與 SPI 的 CPOL/CPHA 概念類似，但專門為連續的立體聲 PCM 資料做了優化。

• WS 變換表示聲道切換（左→右→左→右...）
• SD 資料在 SCK 的 rising edge 鎖存
• 發送端在 SCK 的 falling edge 更新資料

為什麼要特地延遲一拍？因為發送端要留時間把下一個聲道的第一個位元推上線。這個設計有個副作用值得記著：同一個幀裡，資料的位數可以比實際有效位數多（例如 16-bit 資料塞進 32-bit 幀），多出來的位置補 0 就好，接收端只要知道對齊方式就不會誤判。

1.3 常見模式比較

雖然大家都叫 I2S，但「資料從哪一拍開始」這件事其實有三種派別，這張表是我最常回頭查的一張：

把它畫成波形就更清楚：標準模式空一拍、左對齊不空拍，差別只在 MSB 的位置。

這也是我踩過的第一個坑：Codec 的 datasheet 寫「Left-Justified」時，程式如果還是照 I2S Philips 設定，結果通常不是完全沒聲音，而是音量忽大忽小、聲音像被砍掉一半 —— 因為 MSB 被當成第二個位元，整個數值位移了。遇到這種症狀，先懷疑對齊模式。

二、取樣率與 SCK 計算

I2S 的 SCK 頻率由取樣率和資料寬度決定：

SCK = FS × Bits × Channels

例如 CD 音質（44.1 kHz、16-bit、立體聲）：

SCK = 44100 × 16 × 2 = 1.4112 MHz

如果 Codec 要求 32-bit 幀（即使實際只用 16-bit data 也補 0）：

SCK = 44100 × 32 × 2 = 2.8224 MHz (= 64 × FS)

算完公式，接著把常見的取樣率一次列出來對照。MCLK 的倍率我也一起放進來，因為有些 Codec 是「沒有 MCLK 就完全不動」的那種：

實務上注意：ESP32 的 I2S clock 來自 APLL（Audio PLL），頻率解析度有限。使用非標準取樣率（如 22050 Hz）時務必驗證實際 SCK 與目標誤差。

「誤差」這件事在音訊裡很現實：SCK 差 1% 對 UART 可能沒事，但對連續播放來說就是每 100 秒漏掉 1 秒的資料，聽起來會是週期性的喀噠聲。所以正式產品我一定會拿儀器量一次實際頻率。

三、I2S 硬體設計

3.1 系統架構

架構只有一句話：ESP32/STM32 作為 Master 產生 SCK 和 WS，Audio Codec 和 MEMS 麥克風作為 Slave。Master 出時脈、Slave 跟時脈，這件事沒得商量 —— 你在很多音訊模組上看到「只能當 Slave」的說明，就是這個意思。

四條線裡唯一可選的是 MCLK。要不要接，取決於另一頭是誰：單純的 DAC（像 MAX98357）常常自己搞定時脈，但 WM8960 這類 Codec 就會明確要求 MCLK。

3.2 常見 I2S 元件

玩過的元件大概就是這幾顆，先看表再決定要買哪一塊：

如果你要的是「把數位訊號變成聽得到的聲音」，這幾顆 I2S DAC 跟 DAC 原理講的是同一件事，只是 I2S DAC 把比較器與輸出級都包進去了。

3.3 接線注意事項

1. MCLK 問題：某些 Codec（如 WM8960）需要 MCLK = 256×FS。ESP32 可輸出 MCLK，STM32 某些系列無獨立 MCLK 輸出
2. 電壓位準：3.3V 為共識；5V Codec 需電平轉換
3. SCK 頻率上限：ESP32 I2S 最高約 40 MHz（實際受 APLL 限制）；STM32 SPI/I2S 最高約 37.5 MHz（@150 MHz HCLK）
4. BCK 極性：I2S 標準要求 SCK idle = low，但某些 Codec 支援 idle = high

接線出錯的機率遠高於程式寫錯。我自己的順序是：先接三條必要的（SCK、WS、SD）、先讓它出聲，最後才處理 MCLK 與極性。一次把全部接上去，出事時你會有太多可疑對象。

四、ESP32 I2S 實作（Arduino 框架）

先看整條路徑長什麼樣，心裡有個地圖再寫程式：

Arduino 框架的好處是它把 I2S 的初始化壓成兩行，壞處是你會不知道底下發生了什麼。這節兩個方向（播放與錄音）我都給範例。

4.1 I2S 音訊輸出（播放 WAV）

#include <I2S.h>

#define I2S_BCK  26
#define I2S_WS   25
#define I2S_DOUT 22  // 資料輸出
#define I2S_DIN  21  // 資料輸入（麥克風用）

void setup()
{
    Serial.begin(115200);

    // 配置 I2S
    I2S.setPins(I2S_BCK, I2S_WS, I2S_DOUT, I2S_DIN);

    if (!I2S.begin(I2S_PHILIPS_MODE, 44100, 16))
    {
        Serial.println("I2S init failed!");
        while (1);
    }
    Serial.println("I2S OK - 44.1kHz 16-bit");
}

void loop()
{
    // 產生 440 Hz 正弦波測試音
    static float phase = 0;
    int16_t sample[128];
    const float freq = 440.0;
    const float fs   = 44100.0;

    for (int i = 0; i < 128; i++)
    {
        float val = sin(2 * PI * freq * phase / fs);
        sample[i] = (int16_t)(val * 16000);  // 振幅 ±16000
        phase++;
    }

    // 寫入 I2S（立體聲：左右聲道相同）
    size_t written = I2S.write((uint8_t *)sample, sizeof(sample));
    if (written != sizeof(sample))
        Serial.printf("Underrun! Wrote %d / %d\n", written, sizeof(sample));
}

這段有兩個細節值得停下來看：

• I2S.begin(I2S_PHILIPS_MODE, 44100, 16) —— 模式、取樣率、位元深度，三個參數就決定後面所有的時序
• sample[i] = (int16_t)(val * 16000) —— 振幅刻意留了 headroom（16-bit 的滿刻度是 32767），這是我吃過爆音之後學到的習慣

另外那個 written != sizeof(sample) 的檢查不要刪。它就是在抓 Buffer Underrun —— 播放速度比填資料快的時候，你會先在這裡看到訊息，而不是等到耳朵聽到斷音。

4.2 I2S 音訊輸入（MEMS 麥克風錄音）

#include <I2S.h>

#define I2S_BCK  26
#define I2S_WS   25
#define I2S_DIN  34     // INMP441 資料輸出腳

const int sample_rate = 16000;  // 語音辨識常用 16 kHz
const int bits = 16;
const int buffer_size = 512;

int16_t samples[buffer_size];

void setup()
{
    Serial.begin(115200);
    I2S.setPins(I2S_BCK, I2S_WS, -1, I2S_DIN);  // 僅輸入

    if (!I2S.begin(I2S_PHILIPS_MODE, sample_rate, bits))
    {
        Serial.println("I2S init failed!");
        while (1);
    }
}

void loop()
{
    size_t bytes_read = I2S.readBytes((char *)samples, buffer_size * 2);
    int samples_read = bytes_read / 2;

    // 計算 RMS 音量
    float sum_sq = 0;
    for (int i = 0; i < samples_read; i++)
        sum_sq += (float)samples[i] * samples[i];

    float rms = sqrt(sum_sq / samples_read);
    Serial.printf("RMS: %.2f\tPeak: %d\n", rms, samples[0]);

    delay(100);
}

錄音跟播放最大的差別有兩個：一是 I2S.setPins() 把輸出腳位設成 -1（告訴它我只要輸入）；二是取樣率換成 16000 Hz，因為語音辨識常用 16 kHz，資料量直接少一半。

輸出用 RMS 而不是瞬時值，是因為音量的感知本來就是平均值。你如果直接印 samples[0]，看到的數字會像樂透開獎一樣亂跳。

4.3 使用 I2S 讀取 INMP441 並透過 Wi-Fi 串流

#include <WiFi.h>
#include <I2S.h>

const char *ssid = "SSID";
const char *pass = "PASSWORD";
WiFiServer server(8080);

void setup()
{
    Serial.begin(115200);
    WiFi.begin(ssid, pass);

    I2S.setPins(26, 25, -1, 34);
    I2S.begin(I2S_PHILIPS_MODE, 16000, 16);

    server.begin();
    Serial.printf("Server started: %s:8080\n", WiFi.localIP().toString().c_str());
}

void loop()
{
    WiFiClient client = server.available();
    if (!client) return;

    // 持續串流 PCM 資料到客戶端
    uint8_t buf[512];
    while (client.connected())
    {
        size_t n = I2S.readBytes((char *)buf, 512);
        if (n > 0) client.write(buf, n);
    }
    client.stop();
}

這段就是把麥克風變成一個 TCP 音訊伺服器：server.available() 等到有人連進來，接著就是無止境地 readBytes() 再 write()。寫起來很短，但它同時點出了 I2S 的實務限制 —— I2S 只負責把資料搬進來，怎麼送出去是另一件事，而 Wi-Fi 的抖動會直接反映在你的緩衝策略上。

五、ESP32 I2S 實作（ESP-IDF 框架）

5.1 基本 I2S 初始化

ESP-IDF 的設定看起來很長，但結構其實很一致：通道參數、時脈參數、slot 參數、GPIO，一層一層填進去。

#include "driver/i2s_std.h"
#include "driver/gpio.h"

#define I2S_PORT  I2S_NUM_0

i2s_chan_handle_t tx_handle;

void i2s_init(void)
{
    i2s_chan_config_t chan_cfg = I2S_CHANNEL_DEFAULT_CONFIG(
        I2S_PORT, I2S_ROLE_MASTER);

    i2s_std_config_t std_cfg = {
        .clk_cfg = {
            .sample_rate_hz  = 44100,
            .clk_src         = I2S_CLK_SRC_DEFAULT,
            .mclk_multiple   = I2S_MCLK_MULTIPLE_256,
        },
        .slot_cfg = {
            .data_bit_width  = I2S_DATA_BIT_WIDTH_16BIT,
            .slot_bit_width  = I2S_SLOT_BIT_WIDTH_16BIT,
            .slot_mode       = I2S_SLOT_MODE_STEREO,
            .slot_mask       = I2S_STD_SLOT_BOTH,
            .ws_width        = I2S_DATA_BIT_WIDTH_16BIT,
            .ws_pol          = false,
            .bit_shift       = true,    // I2S Philips: delay 1 SCK
        },
        .gpio_cfg = {
            .mclk = GPIO_NUM_NC,
            .bclk = GPIO_NUM_26,
            .ws   = GPIO_NUM_25,
            .dout = GPIO_NUM_22,
            .din  = GPIO_NUM_21,
            .invert_flags = {
                .mclk_inv = false,
                .bclk_inv = false,
                .ws_inv   = false,
            },
        },
    };

    i2s_new_channel(&chan_cfg, &tx_handle, NULL);
    i2s_channel_init_std_mode(tx_handle, &std_cfg);
    i2s_channel_enable(tx_handle);
}

void play_sine(void)
{
    int16_t buf[256];
    static float phase = 0;

    for (int i = 0; i < 256; i += 2)
    {
        float val = sin(phase);
        int16_t s = (int16_t)(val * 16000);
        buf[i]   = s;   // 左聲道
        buf[i+1] = s;   // 右聲道
        phase += 2 * 3.14159 * 440.0 / 44100.0;
    }

    size_t written;
    i2s_channel_write(tx_handle, buf, 256 * 2, &written, portMAX_DELAY);
}

有兩行是我每次都會特別確認的：

• .bit_shift = true —— 這就是「延遲一個 SCK」的開關，對應 I2S Philips 模式（註解原文就是這樣寫的）
• .mclk_multiple = I2S_MCLK_MULTIPLE_256 —— MCLK 的倍率，要跟 Codec 的需求一致

跟 Arduino 版比起來，IDF 版多給你的是控制權：i2s_new_channel()、i2s_channel_init_std_mode()、i2s_channel_enable() 是三個獨立步驟，所以你也可以先建好通道、之後再決定要不要啟用。彈性變大，出錯時的檢查點也變多。

六、STM32 I2S 實作（HAL Library）

STM32 的 SPI 周邊可以配置為 I2S 模式（SPI_I2S）。以 STM32F407 為例，SPI2 可映射到 I2S2。這個「同一個周邊、兩種身分」的設計是 STM32 的特色，也是我第一次看 CubeMX 時最困惑的地方。

6.1 CubeMX 配置

1. 設定 SPI2 / I2S2 為 Full-Duplex Master
2. Standard = I2S Philips
3. Data format = 16-bit
4. Audio frequency = 44.1 kHz
5. CK/Pin = PB13（SCK）, WS = PB12, SD = PB15, MCK = PC6

這五項裡最容易漏掉的是最後一項的 MCK。CubeMX 預設不一定把 MCK 腳位打開，等你發現 Codec 沒反應才回頭找，就會多花半個小時。

6.2 I2S 初始化程式碼

#include "stm32f4xx_hal.h"

SPI_HandleTypeDef hspi2;

void MX_I2S2_Init(void)
{
    hspi2.Instance = SPI2;
    hspi2.Init.Mode = SPI_MODE_MASTER;
    hspi2.Init.Direction = SPI_DIRECTION_2LINES;
    hspi2.Init.DataSize = SPI_DATASIZE_16BIT;
    hspi2.Init.CLKPolarity = SPI_POLARITY_LOW;
    hspi2.Init.CLKPhase = SPI_PHASE_1EDGE;
    hspi2.Init.NSS = SPI_NSS_SOFT;
    hspi2.Init.BaudRatePrescaler = SPI_BAUDRATEPRESCALER_4;
    hspi2.Init.FirstBit = SPI_FIRSTBIT_MSB;
    hspi2.Init.TIMode = SPI_TIMODE_DISABLE;
    hspi2.Init.CRCCalculation = SPI_CRCCALCULATION_DISABLE;
    hspi2.Init.CRCPolynomial = 10;
    HAL_SPI_Init(&hspi2);
}

void HAL_SPI_MspInit(SPI_HandleTypeDef *hspi)
{
    GPIO_InitTypeDef gpio = {0};

    __HAL_RCC_SPI2_CLK_ENABLE();
    __HAL_RCC_GPIOB_CLK_ENABLE();

    // PB13 = SCK, PB12 = WS, PB15 = SD
    gpio.Mode = GPIO_MODE_AF_PP;
    gpio.Pull = GPIO_NOPULL;
    gpio.Speed = GPIO_SPEED_FREQ_MEDIUM;
    gpio.Alternate = GPIO_AF5_SPI2;

    gpio.Pin = GPIO_PIN_13 | GPIO_PIN_12 | GPIO_PIN_15;
    HAL_GPIO_Init(GPIOB, &gpio);
}

void i2s_send_sample(uint16_t left, uint16_t right)
{
    uint16_t frame[2] = {right, left};  // I2S: WS=0=左, WS=1=右
    HAL_SPI_Transmit(&hspi2, (uint8_t *)frame, 2, HAL_MAX_DELAY);
}

void play_tone(void)
{
    for (int i = 0; i < 44100; i++)
    {
        float t = (float)i / 44100.0;
        int16_t s = (int16_t)(sin(2 * 3.14159 * 440 * t) * 16000);
        i2s_send_sample(s, s);  // 左右聲道相同
    }
}

這段裡我特別想指出一行：uint16_t frame[2] = {right, left};。順序是右聲道先放。原因是 WS 在一個幀開始時是 0（左聲道），但 I2S 標準又要求資料延遲一拍，所以第一個被送出去的其實是屬於 WS=1 的那個半幀。這個「看起來寫反了」的地方，就是很多人第一次用 STM32 接 Codec 時左右聲道顛倒的元凶。

另外 HAL_SPI_MspInit() 裡的 Alternate = GPIO_AF5_SPI2 也值得記：GPIO 的 AF 號碼對不上，波形就完全不會出現，而且不會有任何錯誤訊息。除錯時如果連 SCK 都量不到，先回來查這個。

七、實戰專案：Wi-Fi 網路音訊播放器

結合 ESP32 的 Wi-Fi 和 I2S，可以實作一個簡單的網路音訊播放器：

// 伺服器端（發送 PCM 資料）
# ESP32 作為 HTTP 音訊串流伺服器
// 見 4.3 的 Wi-Fi 串流範例

// 客戶端（收聽端）
# 任何支援 HTTP 的裝置：
curl http://esp32-ip:8080 --output - | aplay -r16000 -fS16_LE -c1

這個架構很適合當成第一個音訊專案，因為它把兩端都拆得很乾淨：ESP32 只負責「把 PCM 資料丟出來」，收聽端只要支援 HTTP 就聽得到。不過它有個天生的缺點 —— TCP 為了可靠度會重傳，重傳就意味著延遲。

如果要實現低延遲（<200ms）串流，改用 UDP/RTP 而非 TCP：

#include <WiFiUdp.h>

WiFiUDP udp;
const int port = 1234;
uint8_t pcm_buf[512];

void udp_stream_task(void *param)
{
    while (1)
    {
        // 從 I2S 讀取音訊
        size_t n = I2S.readBytes((char *)pcm_buf, 512);

        // 透過 UDP 發送
        udp.beginPacket(dest_ip, dest_port);
        udp.write(pcm_buf, n);
        udp.endPacket();
    }
}

把 TCP 換成 UDP 之後，丟包就變成你要自己面對的問題。這也是我在音訊專案裡對緩衝特別有感覺的原因：FIFO 緩衝的深度算得不夠，換什麼協定都還是會斷音。

八、常見問題與除錯

I2S 的除錯其實很線性：先確認時脈有沒有動、再看對齊與極性、最後才懷疑緩衝與電源。我把症狀整理成一張表，出事時直接對號入座：

8.1 沒有聲音？

1. BCK 頻率錯誤：用邏輯分析儀或示波器量測 SCK 頻率是否等於 FS × bits × 2
2. WS 極性：某些 Codec 的 WS 極性與 I2S 標準相反（如左聲道=1），程式需設定 WS polarity
3. MCLK 缺失：Codec 需要 MCLK 但未提供，某些 Codec 可配置為不使用 MCLK
4. I2S 模式不符：Codec 是 Left-Justified 但程式設成 I2S Philips

這四項的排查成本差很多：量 SCK 只要一支示波器，10 秒就有答案；懷疑模式則是回頭翻 datasheet。所以我永遠從第一項開始。

8.2 爆音或雜音

1. 音量太大：正規化振幅不要超過 ±16383（16-bit），保留 headroom
2. Pop Noise：Codec 電源開啟時先 mute，等輸出穩定後再播放
3. Buffer Underrun：I2S 寫入速度趕不上播放速度，加大 buffer 或改善 Wi-Fi 延遲
4. 時脈抖動：I2S 對 SCK 抖動敏感，避免在 I2S 正在播放時改變 APLL 參數

第三項的診斷方式很簡單：如果你的爆音是「週期性」的，幾乎就是 Underrun；如果是「隨機的雜訊」，那比較像是時脈或電源的問題。

8.3 I2S DMA 配置（STM32）

聲音要連續，就不能靠 CPU 一直輪詢、一直手動搬資料 —— 那正是 DMA 傳輸要解決的問題：

// I2S + DMA 循環模式播放
#define BUF_SIZE 512
uint16_t audio_buf[BUF_SIZE];

// 初始化 DMA
__HAL_LINKDMA(&hspi2, hdmatx, hdma_tx);

// DMA 傳輸完成回呼
void HAL_SPI_TxCpltCallback(SPI_HandleTypeDef *hspi)
{
    if (hspi->Instance == SPI2)
    {
        // 填寫下一段音訊資料到 audio_buf
        fill_next_buffer(audio_buf, BUF_SIZE);
    }
}

// 啟動 DMA 循環播放
HAL_SPI_Transmit_DMA(&hspi2, (uint8_t *)audio_buf, BUF_SIZE);

整個循環的邏輯我畫成流程圖：

這裡有個很容易被忽略的重點：DMA 幫你省掉的是「搬資料」，不是「準備資料」。真正決定聲音連不連續的，是你在回呼裡補得夠不夠快。緩衝越大越安全，但延遲也越高 —— 這就是音訊工程裡永遠的兩難。

九、總結

I2S 通訊協定是嵌入式音訊開發的必備技能。從簡單的 MEMS 麥克風錄音到高品質音訊串流，I2S 提供了專為音訊設計的可靠傳輸協定。重點回顧：

1. 時序核心：MSB First + WS 延遲 1 SCK（I2S Philips）
2. SCK 計算：FS × bits × channels；64×FS 是最常見配置
3. 硬體考慮：MCLK 需求、電壓位準、BCK 上限
4. 程式實作：ESP32 Arduino/ESP-IDF 與 STM32 HAL 都有完善支援
5. 除錯方法：量測 SCK 頻率、檢查 WS 極性、觀察 DMA 狀態

無論是做語音辨識、藍牙音箱、還是音訊分析，I2S 都是你不可或缺的工具。

回顧整篇，我最想留下來的一句話是：I2S 的難點從來不在「傳什麼」，而在「什麼時候傳」。把時脈、聲道、對齊這三件事分別確認過一遍，剩下的就只是照公式填參數而已。