美的智能家居平台的接口是非开放的。不管是在 HomeAssistant 还是 HomeBridge 中接入美的设备，都是靠伟大无私的开源社区提供解决方案。
在之前我自己的基于 Python 实现的智能家居控制系统 里，我用到的是 midea-ac-py。
由于美的空调的 token、key 在每次重新供电时都会变化，而这个库没有将 discover 功能集成进来——库作者额外提供了一个命令行工具（
midea-msmart）发现局域网内的美的设备，导致更新 token 流程的自动化程度不高，每次都要人工复制。
我曾经尝试把 midea-msmart 集成进我的系统，通过可编程方式更新 token，总会遇到各种奇怪问题，比如帐密验证失败、超时等等，所以一直在寻找可替代库。终于让我发现了 midea_ac_lan。
12 月 11 号那天把宽带移到了新家，终于可以将我的智能家居想法正式实施了。
弱电箱在玄关鞋柜里边，我把电信光猫改了桥接直接放弱电箱里了。中海预先布了 5 条线，两条六类，三条超五类，都可以支持千兆，省了从弱电箱到客厅重新布线的麻烦。
但是书房居然没有布线。这就很麻烦，因为我的台式机、NAS 等一些常用的有线设备肯定要放书房的啊。300M 的宽带从客厅跨过三道墙进入书房后，实测无线网的网速只剩下将将 100M 了。拿另一台路由器做无线 Mesh，发现不管放哪儿，网速甚至都提不到 200M。
本人珍藏的视频比较多，有 TB 级别，所以之前我通过人工给视频文件打 tag 的方式，自创了一套文件检索系统。比如：
1 | snis243_吉川爱美_单体_好身材_漂亮.mp4 |
这样一个文件名，约定以下划线分隔 tag，且第一个 tag 总是视频标题。
市面上普遍使用的人体检测方案是红外传感器，缺点很多且显得特别弱智：
设想一个最简单普遍的生活场景：当我晚上 7 点步入餐厅时，餐厅灯光应随之亮起；同理，当识别到餐厅无人时，应自动将餐厅灯关闭。通过人体传感器是死活做不到这点的。
转换思路，视餐厅为一平面图，上述问题即可抽象成 “如何检测一张图片内是否有人存在”，解决方案就显而易见了——目标检测。
手里有闲置的 Surface 3 平板、Android 平板、Android 手机各一台，正好可以把它们分散固定在常驻区域的墙面上，一可以用作多媒体终端（这个功能是现成的），二就是可以用作智能家居的控制终端，和我的树莓派（中控系统）进行双工通信。
这是我设想的语音助手外的另一个重要的控制路径。比如，你已经在终端附近时，或超出拾音范围时，或者你恰巧在一直嗡嗡响的洗衣机周边时，通过屏幕终端下发命令应该是更优解。
3 个固定的终端大概是分别放在厨房、客厅、阳台。树莓派作为服务端，允许多个客户端的接入，推送设备状态信息到所有终端。最终的网络连接很可能不是图里这种 all to all 的结果，因为我很可能有两段路由。
终端的软件实现，大致确定以 web 页面形式实现，否则分别开发原生应用的代价太大了。前端框架用 React，小巧、组件化实现，上手简单；搭配 Spectre CSS 库，开发一个看起来差不多的 UI 应该是够了。
网络传输自然是 Websocket 了，树莓派是服务端，各个终端是客户端。因为是局域网传输，数据量也不大，所以应该直接传输 json 数据。具体的数据模型待定，跟最后选定的家电的能力强关联，现在写得太细也没什么意义。
迄今为止训练效果最好的一组参数集是：
1 | python DeepSpeech.py --train_files /mnt/g/myowncorpus/dst.csv --dev_files /mnt/g/myowncorpus/dst.csv --export_dir /mnt/g/myowncorpus/ --checkpoint_dir /mnt/g/myowncorpus/checkpoints128 --alphabet_config_path /mnt/g/myowncorpus/alphabet.txt --dropout_rate 0.3 --early_stop True --n_hidden 128 --export_file_name hidden128 --export_author_id hidden128 --epochs 200 --export_model_version 0.0.3 --lm_alpha 0.6940122363709647 --lm_beta 4.777924224113021 --export_language cmn-Hans-CN --reduce_lr_on_plateau False --es_epochs 800 --test_files /mnt/g/myowncorpus/dst.csv --learning_rate 0.001 --beam_width 100 |
旺财
客厅
卧室
书房
窗帘
全程参照官方文档 ，仅少许浅坑。这篇文章算是摘要 + 翻译 + 注解吧。
严格遵守，实测 3.8 版本会有诸多错误。
建议避过 Mac，缺失的依赖比 Linux 多很多，问题也多，我是半途放弃 Mac 转到 Ubuntu 的。可以通过启用 Windows 10 的 WSL 功能创建 Ubuntu 环境，可以使用所有的硬件能力。
这条为非必须，因为我是新手，直接用 CPU 训练的。
Mozilla 实现的 DeepSpeech 语音识别引擎可以离线使用、可以运行在树莓派 4 上，简直就是给我准备的。
它附赠了一个训练好的普通话模型，我暂时没有试用。但训练自己专属的语音助手明显更带感，也更能贴近自己的说话习惯。
调研中发现，小米开放了一套自研的控制协议 https://github.com/OpenMiHome/mihome-binary-protocol 。对应的 python 实现在这里 https://github.com/rytilahti/python-miio 。下文提到的云仪开窗器就是采用的 miio 。miio 涉及一个 token，看了下源码，token 大概是端到端的数据加密密钥的作用，https://github.com/al-one/hass-xiaomi-miot#obtain-miio-token 这里有获取 token 方法。
yeelight。控制协议完全开放，https://www.yeelight.com/download/Yeelight_Inter-Operation_Spec.pdf，有可直接使用的 python 包， https://pypi.org/project/yeelight/ 。大概看了下是参照 spec 实现的。