AI 应用

所有零件都能在 AliExpress、Amazon 等网店买到。价格是 2026 年 10 月的大致范围，会因卖家、运费和汇率而变化。总价不到 100 美元，剩下的钱可以多买些备用的线和零件。

在断电状态下接线。麦克风和功放的引脚与 xiaozhi 固件里 ESP32-S3-CAM 面包板配置相同，直接照用就行。摄像头只要插进开发板的扁平接口。所有 GND 都接在一起。

• 麦克风 INMP441 I2S

  WS

  GPIO 1

  SCK

  GPIO 2

  SD

  GPIO 42

  VDD

  3V3

  L/R · GND

  GND

• 功放 MAX98357A I2S

  DIN

  GPIO 39

  BCLK

  GPIO 40

  LRC

  GPIO 41

  VIN · SD

  5V

  GND

  GND

• 电机驱动 DRV8833 / TB6612FNG

  AIN1

  GPIO 21

  AIN2

  GPIO 47

  BIN1

  GPIO 14

  BIN2

  GPIO 38

  VM

  7.4V (18650 ×2)

  GND

  GND

• 降压模块 5V 3A buck converter

  IN

  7.4V (18650 ×2)

  OUT 5V

  ESP32-S3 5V · MAX98357A VIN

  GND

  GND

电机引脚是从不接屏幕（LCD）和灯时空出来的引脚中挑的例子。不同开发板可能不一样，一定要看清板子上印的引脚名，并避开启动时用的 GPIO 0·3·45·46 和内存占用的 GPIO 35–37。固件里的电机引脚也要设成同样的编号。

不管选哪种，AI 的 API 密钥都只放在服务器上，绝不放进机器人。机器人里只有设备验证码。

1. xiaozhi.me — 最简单的起步

   xiaozhi 的官方服务器。登记设备验证码就能马上对话，个人可以免费使用（条件可能会变）。不过服务器在中国运营，你的声音和照片会传到那里。

2. 自己的服务器 — 想用哪个 AI 都行

   用 Docker 在自己的服务器上运行开源的 xiaozhi-esp32-server，并修改固件里的服务器地址。语音识别、LLM（OpenAI、Gemini、DeepSeek、Ollama 等）、语音合成和视觉模型都由你自己选，声音和照片只经过你自己的服务器。

3. 实时语音 AI — 对话最自然

   像 ElatoAI 那样直接连接 OpenAI Realtime API。听、想、说都由一个模型完成，所以回答又快又自然（往返不到 2 秒），但对话多长时间就要付多长时间的费用。

xiaozhi 固件在机器人身体里有一个 MCP 服务器。像下面这样注册工具的名称、说明和输入值，AI 在对话中读到这些说明后，就会在合适的时候调用工具。Drive() 是一个短函数，负责开关上面的四个电机引脚，时间一到就让电机停下。

// main/boards/my-robot-car/ (copy of bread-compact-wifi-s3cam)
auto& mcp = McpServer::GetInstance();

mcp.AddTool("self.car.move",
    "Drive the robot car. direction: forward, backward, left, right. ms: 100-3000",
    PropertyList({
        Property("direction", kPropertyTypeString),
        Property("ms", kPropertyTypeInteger, 100, 3000),
    }),
    [this](const PropertyList& p) -> ReturnValue {
        Drive(p["direction"].value<std::string>(), p["ms"].value<int>());
        return true;   // Drive() stops the motors when the time is up
    });

mcp.AddTool("self.car.stop", "Stop the motors now", PropertyList(),
    [this](const PropertyList&) -> ReturnValue { Stop(); return true; });

1. 像视频里那样会走路的机器人

   参考视频里的 Sesame 机器人用一块 ESP32 开发板、八个 MG90S 舵机和一块显示表情的小 OLED 屏幕，用四条腿走路（零件费约 50–60 美元，需要 3D 打印机和焊接）。它没有麦克风、摄像头和 AI，所以把开发板换成 ESP32-S3，再加上麦克风和功放，就能用同样的方法给它装上大脑。

   来源 参考视频

2. Raspberry Pi Zero 2 W

   给这台 15 美元的 Linux 电脑装上摄像头和同样的麦克风、功放，就能直接用 Python 调用 AI API 和 OpenCV（总共约 60–95 美元）。能做的事很多，但开机慢，也更耗电。

3. 从套件开始

   如果觉得挑零件太难，可以先用 Keyestudio KS5028 这类把 ESP32-S3 摄像头开发板、麦克风和扬声器配在一起的 xiaozhi 套件开始对话，之后再加上轮子和电机驱动。