想做语音对话的模块，想要语音输入进去通过ESP32代码写入的API解析，然后交给接入的AI的API做出相关回复。语音输入--ESP32打包发送--云处理--返回ESP32输出，这种链路想法可靠吗？
以前用普通ESP32发现输入几秒钟语音内存就炸了。
现在想用ESP32-S3，听说选大一些的PSRAM就可以做到内存不溢出，选8MB左右，粗略估计做语音单次可以说110-130秒。