ESP32-C3 hay ESP32-S3: Nên chọn chip nào cho robot có màn hình và âm thanh?

Trong bài này, mình sẽ đặt hai dòng chip cạnh nhau để bạn chọn theo nhu cầu thật thay vì chỉ nhìn vào bảng thông số.

"Nên dùng ESP32 nào" chưa phải câu hỏi đúng để bắt đầu. Câu hỏi đúng hơn là "build này thật sự cần đẩy bao nhiêu thứ chạy cùng lúc qua con chip." Một robot chỉ nhấp nháy khuôn mặt đen trắng trên OLED I2C gần như không cần gì nhiều. Một robot render giao diện màu bằng LVGL, nghe qua microphone và nói lại qua loa thì cần nhiều interface tốc độ cao chạy song song, cộng thêm chỗ để chứa frame buffer. ESP32-C3 và ESP32-S3 nằm ở hai đầu khác nhau của ranh giới đó, và chọn sai thường chỉ lộ ra rất muộn — thường là lúc màn hình giật hình hoặc build hết RAM ngay khi thêm animation vào.

Nhiều RAM hơn, nhiều I2S hơn, nhiều băng thông màn hình hơn — chọn S3 khi UI và audio chạy cùng lúc.

GPIO

ESP32-C3 có khoảng 22 chân GPIO trên die, còn một module nhỏ như Supermini thì đưa ra ngoài ít hơn hẳn sau khi trừ chân flash và strapping pin. Vậy là đủ cho một bản Mochi cơ bản: OLED I2C chỉ cần SDA, SCL, nguồn và GND.

ESP32-S3 đưa ra tới 45 GPIO, và phần lớn trong số đó vẫn dùng được kể cả sau khi trừ chân cho PSRAM/flash octal trên các module có dùng. Khoảng dư này rất quan trọng ngay khi bạn thêm một interface màn hình nhiều chân, một microphone I2S, một amplifier I2S và cảm ứng chồng lên các peripheral cơ bản khác — xem phần ghi chú lập kế hoạch GPIO trong bài kiến trúc phần cứng Mochi ESP32-S3 để thấy các khoản "để dành" này cộng dồn lại thế nào trong thực tế.

RAM và PSRAM

Đây mới là phần thật sự quyết định câu hỏi ban đầu. ESP32-C3 có khoảng 400 KB SRAM và hoàn toàn không hỗ trợ PSRAM. Con số đó đủ cho stack Wi-Fi/BLE, logic ứng dụng và một frame buffer đen trắng nhỏ, nhưng không còn chỗ cho giao diện LVGL màu hay phát GIF — chỉ riêng việc giải mã GIF động bằng lv_gif đã có thể cần một lượng RAM làm việc đáng kể cho bộ giải mã và frame buffer.

ESP32-S3 có khoảng 512 KB SRAM nội bộ, và quan trọng hơn là hỗ trợ PSRAM ngoài qua octal hoặc quad SPI, thường là 2–8 MB tùy module. Vùng RAM ngoài này chính là nơi buffer lớn của LVGL và các frame GIF đã giải mã thực sự nằm. Nếu kế hoạch có màn hình màu chạy animation mượt, đây gần như là điều kiện bắt buộc, không phải một tiện ích thêm cho vui.

USB

ESP32-C3 có USB Serial/JTAG controller, đủ để nạp firmware và mở console debug qua USB mà không cần thêm phần cứng. Nó không có một peripheral USB OTG đa năng cho các class USB khác.

ESP32-S3 có cả USB Serial/JTAG controller lẫn một peripheral USB OTG full-speed riêng, nên thiết kế có thể dùng USB gốc cho việc khác ngoài nạp firmware và log — ví dụ USB audio hay USB HID — nếu bản sau cần đến. Với bản Mochi đầu tiên, khác biệt thực tế nhỏ hơn nghe có vẻ; cả hai chip đều nạp firmware và log qua USB tốt như nhau. Khoảng cách chỉ lộ ra khi roadmap có USB audio gốc hoặc chế độ USB accessory.

I2S và âm thanh

ESP32-C3 chỉ có một peripheral I2S. Nó chạy tốt cho một chiều âm thanh, nhưng nếu chạy cả microphone lẫn loa cùng lúc thì tạo áp lực thật sự lên đúng một peripheral đó và các chân xung quanh.

ESP32-S3 có hai peripheral I2S độc lập, mỗi cái đều hỗ trợ chế độ standard, PDM hoặc TDM theo tài liệu I2S của ESP-IDF. Trong thực tế nghĩa là microphone dùng một bus I2S, amplifier dùng bus I2S còn lại, chạy full-duplex mà không phải tranh nhau cùng một peripheral — đúng cách làm được nói tới trong bài hướng dẫn audio I2S hai chiều. Nếu Mochi cần vừa nghe vừa phản hồi lại, đây là con chip dễ thở hơn để xây phần đó.

Màn hình và LVGL

ESP32-C3 không có peripheral LCD riêng. Một màn SPI hoặc I2C nhỏ vẫn chạy được qua controller SPI/I2C thông thường, rất hợp cho OLED I2C 128x64 hiển thị biểu cảm đơn giản, nhưng không được thiết kế cho một panel màu tốc độ cao.

ESP32-S3 có interface LCD riêng (hỗ trợ song song 8-bit/16-bit và panel RGB) được nói rõ trong tài liệu peripheral LCD của ESP-IDF, tách rõ phần cấu hình control-plane khỏi phần truyền pixel. Kết hợp với PSRAM để chứa frame buffer, đây chính là thứ khiến một giao diện LVGL màu mượt với biểu cảm dạng GIF trở nên khả thi, thay vì phải chiến đấu liên tục với việc rớt khung hình.

Chi phí và phạm vi ứng dụng

ESP32-C3 nhỏ hơn, rẻ hơn và dễ đi dây trên PCB đầu tay hơn. Nó hợp với bất kỳ thứ gì chỉ cần Wi-Fi/BLE, logic cơ bản và một màn hình trạng thái đơn giản — Mochi mặt đen trắng, một node cảm biến, hay một bộ điều khiển IoT nhỏ.

ESP32-S3 tốn chi phí hơn, cần layout PCB cẩn thận hơn (nhất là khi có PSRAM và bus màn hình song song), và tiêu thụ dòng cao hơn khi chạy tải. Nhưng nó bù lại đúng khoản chi phí đó ngay khi sản phẩm cần giao diện màu, âm thanh thật ở cả hai chiều, hoặc dư địa cho suy luận trên thiết bị — các tập lệnh vector thêm vào của ESP32-S3 giúp tăng nhẹ hiệu năng cho các tác vụ ML nhẹ như wake-word hay nhận dạng từ khóa đơn giản qua ESP-DL, một phần lý do con chip này gắn liền tự nhiên với định vị "AI" dù không có NPU riêng.

Lựa chọn cho Mochi

Để danh sách tính năng quyết định con chip, không phải ngược lại.

Với Mochi cơ bản — một khuôn mặt OLED nhỏ, không cảm ứng, không microphone hay loa — ESP32-C3 là lựa chọn đúng. Nó rẻ hơn, đi dây đơn giản hơn, và dư sức cho một giao diện đen trắng cùng kết nối Wi-Fi/BLE.

Với Mochi AI — màn hình LVGL màu có biểu cảm động, cảm ứng, và âm thanh I2S hai chiều để vừa nghe vừa nói lại — ESP32-S3 là lựa chọn hợp lý duy nhất giữa hai con chip này. Sự kết hợp PSRAM, hai I2S và một peripheral LCD thật sự không phải là tiện ích ở đây; đó là điều tập tính năng này thật sự đòi hỏi.

Kết luận

Việc chọn chip nên đi theo danh sách tính năng, không phải ngược lại. Nếu bản mô tả build chỉ cần một màn hình trạng thái và kết nối không dây, ESP32-C3 giúp tránh chi phí và độ phức tạp không cần thiết. Nếu nó cần một màn hình thật, âm thanh thật, và đủ RAM để giữ cả hai mượt cùng lúc, ESP32-S3 là thứ giúp điều đó khả thi mà không phải vật lộn với phần cứng suốt cả quá trình.

Tham khảo

• Tài liệu peripheral I2S của ESP-IDF (ESP32-S3)
• Tài liệu peripheral LCD của ESP-IDF (ESP32-S3)