手搓AI智能音箱全攻略:ESP32方案50元入门,树莓派方案完全本地跑

本期导读：市售智能音箱几百上千元，数据还要经过大厂服务器。但你可能不知道，一块几十块钱的ESP32开发板，就能做出一台能对话、能控制家电、数据不经过第三方服务器的AI音箱。

这篇文章给你两条手搓路径——一条50元入门，半天跑通；一条完全本地运行，隐私优先。从零件清单到烧录命令，每一步都有具体型号和操作步骤。

一、两条路径，两种玩法

隐私提示先行：ESP32方案最大的特点是便宜、上手快，但默认固件会把你的语音数据发送到公网服务器进行识别和处理。如果你对隐私有要求，有两个选择：一是自建服务器（后文会讲具体操作），二是直接走树莓派ATHENA方案，所有处理都在本地完成。

ESP32方案总成本可控制在50-80元（不含3D打印外壳），社区教程非常完善。树莓派方案的参考BOM约275美元（约2000元），包括树莓派4 8GB（55美元）、6麦克风阵列（35美元）、定制PCB（25美元）、扬声器系统（45美元）、3D打印外壳（30美元）、LED环（8美元），可选显示屏另加35美元。

两条路径你都可以选。下面的操作以ESP32+小智为主线，树莓派方案的差异点单独标注。

二、ESP32方案：50元手搓AI音箱完整操作2.1 准备阶段：买齐零件（总成本50-80元）

核心硬件清单：

推荐买现成套件：如果不想逐个买零件，可以直接购买已集成好的开发板套件。乐鑫的EchoEar 喵伴套件已集成屏幕、麦克风、扬声器，适合快速上手。M5Stack 的AtomS3R + Atomic Echo Base 组合也很适合入门。

避坑提醒：ESP32-S3开发板务必选带PSRAM 的版本（8MB），推荐WROOM N16R8 模组，即16MB Flash 和8MB PSRAM 的配置。麦克风选I2S 数字麦克风，不要选模拟麦克风，I2S 接口的信噪比和抗干扰能力远优于模拟。

电路设计要点（来自实际复刻经验）：INMP441 麦克风需要3.3V 偏置电压，需通过分压电阻提供稳定电压；MAX98357A 功放输出端需并联10μF 电容和0.1μF 瓷片电容，抑制高频噪声；PCB 布局时音频信号线需远离电源走线，采用差分对布局减少电磁干扰。

2.2烧录固件：新手推荐"免开发环境"方式

小智项目由虾哥开源，以MIT 许可证发布，允许任何人免费使用或用于商业用途。项目已支持70 多个开源硬件。

新手第一次操作，建议不要搭建开发环境，直接使用免开发环境烧录的固件。固件默认接入xiaozhi.me 官方服务器，个人用户注册账号可以免费使用Qwen 实时模型。

隐私提醒：使用官方服务器意味着你的语音数据会上传到第三方平台。如果你不想让语音数据经过外部服务器，跳到2.4 节看自建服务器的操作。

操作步骤：

Step 1　访问xiaozhi.me，注册账号。个人用户免费，可使用的模型包括Qwen 实时模型。

Step 2　在xiaozhi.me 控制台中，创建一个新设备，获取设备激活码。

Step 3　下载对应你开发板型号的固件文件（.bin 格式）。项目支持ESP32-C3、ESP32-S3、ESP32-P4 芯片平台。

Step 4　使用乐鑫官方的Flash Download Tool（Windows）或esptool.py（Mac/Linux）将固件烧录到开发板。开发环境推荐使用ESP-IDF v5.4.1，设置目标设备为esp32s3。

Step 5　烧录完成后，开发板会进入配网模式。连接开发板的WiFi 热点，在浏览器中填入你家Wi-Fi 的账号密码。

Step 6　设备重启后，默认唤醒词是"你好小智"（可自定义）。喊一声唤醒词，灯带从蓝色变为绿色，音箱回复"我在，有什么可以帮你的？"——你的手搓AI 音箱已经跑起来了。

2.3进阶：接入你喜欢的任何大模型

小智项目采用流式ASR + LLM + TTS 架构——语音输入，实时转文字，大模型处理，文字转语音，音频输出。LLM 层完全可替换。

接入DeepSeek：在xiaozhi.me 控制台的模型配置中，选择DeepSeek 作为LLM 后端。你需要填入DeepSeek 的API Key（从platform.deepseek.com 获取）。小智项目已内置对Qwen、DeepSeek、豆包等主流大模型的支持。

接入通义千问：选择Qwen 模型，填入DashScope API Key 即可。

接入GPT：需要自建服务器，参考xiaozhi-esp32-server 项目进行部署，支持WebSocket 和MQTT+UDP 两种通信协议。

2.4隐私优先：自建服务器，让语音数据不出门

如果你不想让语音数据经过xiaozhi.me 的服务器，可以自建后端服务。xiaozhi-esp32-server 项目提供了完整的开源服务端方案，支持Docker 一键部署。

部署条件：需要一台服务器（可以是你的电脑、NAS 或云服务器），建议配备8GB 以上显存的显卡用于语音模型推理。

操作步骤：

Step 1：下载一键部署脚本：

curl -L -o docker-setup.sh https://raw.githubusercontent.com/xinnan-tech/xiaozhi-esp32-server/main/docker-setup.sh

Step 2：赋予执行权限并运行：

chmod +x docker-setup.sh sudo ./docker-setup.sh

脚本会自动下载语音识别模型（约892MB）和配置文件。

Step 3：编辑data/.config.yaml文件，配置你的API 密钥。

Step 4：启动服务：

docker-compose up -d

Step 5：在ESP32 端，将固件配置中的服务器地址改为你的自建服务器地址。

自建服务器的优势：所有数据本地运行，不上传云端；可以自定义角色、音色克隆、接入知识库，甚至打造智能客服。服务端采用模块化设计，asr-server 负责语音识别，tts-server 负责语音合成，main-server 协调全流程。

2.5它能做什么：三个已验证的真实场景

场景一：语音对话与控制家电。喊唤醒词，音箱亮绿灯，说"帮我打开客厅的灯"，通过MCP 协议控制智能家居设备。小智项目支持通过设备端MCP 实现设备控制（音量、灯光、电机、GPIO 等），通过云端MCP 扩展大模型能力。

场景二：声纹识别，认出是谁在说话。小智支持声纹识别功能，能识别当前说话人的身份。你可以设置"只有我的声音才能控制家电"或"不同家庭成员获得不同权限"。

场景三：短期记忆与自定义角色。支持对每轮对话进行总结，保持对话连贯性；支持提示词和音色设置，你可以自定义AI 的性格和声音。

2.6商用提醒：唤醒词的商标风险

"小智"作为唤醒词，目前已有多家公司申请了相关商标，主要集中在第9 类（计算机软件、智能硬件等类别）。如果你只是个人DIY 使用，没有任何问题。但如果你打算批量生产、销售基于此方案的产品，建议：

一　更换自定义唤醒词（小智项目支持自定义唤醒词）

二　在产品命名上避免使用"小智"二字

三　商业产品发布前咨询专业商标代理机构

三、树莓派方案：完全本地运行，隐私优先

如果你对数据隐私有极高要求，不想让语音数据经过任何云端API，树莓派+ATHENA 方案是更好的选择。

3.1核心架构

ATHENA是一个开源AI 智能语音助手音箱项目，目标是超越Amazon Echo 和Google Home，提供更高的隐私性、可定制性和智能化水平。它的核心理念是隐私优先，所有语音处理在本地完成，云端服务需要用户明确同意才启用。

技术栈：

语音识别：Whisper（本地运行）

智能处理：本地LLM（如TinyLLaMA）

语音合成：Piper（自然语音合成）

开发语言：Python 3.10+

框架：PyTorch、Transformers、FastAPI

3.2硬件清单（BOM总成本约275美元）

以上数据来自ATHENA 项目官方项目文档。

3.3操作步骤

Step 1　安装树莓派系统。下载Raspberry Pi OS（64 位），烧录到SD 卡。安装完成后，通过SSH 或直接连接显示器进入系统。

Step 2　克隆ATHENA 项目。从GitHub 下载ATHENA 的代码仓库到树莓派本地（https://github.com/Kuberwastaken/ATHENA）。

Step 3　安装Python 依赖。项目使用Python 3.10+，需要安装PyTorch、Transformers、FastAPI、PyAudio 等依赖。

Step 4　下载本地模型。需要下载Whisper 语音识别模型（建议base 或small 版本）、TinyLLaMA（GGUF 格式）和Piper TTS 模型。

Piper TTS许可提醒：Piper TTS 的引擎本身从2025 年起采用GPL-3.0-or-later 许可证。但更关键的是，每个语音模型的许可证各不相同，取决于训练数据来源。部分模型是CC BY-NC 4.0（禁止商业使用），部分模型是MIT 或Apache 2.0（允许商用）。如果你只是个人使用，没有限制；如果用于商业目的，必须逐一检查所用语音模型的许可证。

Step 5　连接硬件。将ReSpeaker 6 麦克风阵列通过GPIO 连接到树莓派，将扬声器连接到音频输出接口。

Step 6　启动并测试。运行主程序，喊唤醒词"Athena"，观察LED 环的颜色变化，测试语音对话功能。

项目状态提醒：ATHENA 项目的Skills 框架、硬件PCB 设计和3D 外壳建模仍在进行中。如果你想快速跑通，建议先用ESP32 方案，等ATHENA 更成熟后再迁移。

四、如果你想用OpenAI Realtime API 做实时语音

如果你希望音箱能像打电话一样实时对话，而不是"说完等回答"，可以使用OpenAI Realtime API 方案。

硬件清单极其精简：ESP32-S3 开发板+ INMP441 麦克风+ MAX98357A 功放+ 3W 4Ω 喇叭+ 轻触按钮+ RGB LED。

核心操作步骤：

Step 1：克隆ElatoAI 项目：

git clone https://github.com/akdeb/ElatoAI.git cd ElatoAI

Step 2：在frontend-nextjs目录中创建.env.local文件，填入OpenAI API Key 和Supabase 密钥。

Step 3：启动Supabase 本地服务：supabase start

Step 4：启动前端和服务器：

cd frontend-nextjs npm install npm run dev

Step 5：烧录ESP32 固件。在Config.cpp中设置你的本地IP 地址，编译并上传固件。

Step 6：按下按钮开始说话，松开按钮结束。OpenAI Realtime API 会实时处理语音并返回语音响应。

隐私提醒：此方案会将语音数据实时发送到OpenAI 服务器处理。

五、三条路径怎么选

如果你只能选一个：从ESP32 + 小智开始。成本最低、社区最活跃、文档最完整、支持70 多个开发板。半天跑通之后，再决定是否升级到树莓派方案或自建服务器。

六、开源许可与合规摘要

七、你现在就可以做的三件事

第一件（今天，15分钟）：打开xiaozhi.me，注册账号，查看你手头是否有ESP32-S3 开发板。如果有，下载对应固件直接烧录测试。如果没有，下单一块带PSRAM 的ESP32-S3 开发板（推荐WROOM N16R8 模组，约40 元），同时购买INMP441 麦克风和MAX98357A 功放模块。

第二件（本周内，2小时）：零件到齐后，按面包板接线图连接麦克风、功放和扬声器，烧录小智固件，完成配网和首次唤醒测试。第一次测试时，先从最简单的功能开始——"你好小智"唤醒，问一个简单问题，听回答。

第三件（周末，半天）：如果ESP32 方案跑通了，尝试自建服务器（按第2.4 节的Docker 一键部署）或接入你喜欢的模型（DeepSeek/通义千问），测试不同模型的对话质量。然后考虑是否要用3D 打印外壳把零件组装成型。

关注「AI趋势实验室」，每周两期，帮你把AI 用出真实的结果。

如果觉得这份手搓指南有用，请转发给那个喜欢折腾硬件、想做一个"自己的AI音箱"的朋友。