74块手搓AI语音助手:ESP32-S3 + 小智固件,从接线到能聊天

最近一个月，某个短视频平台上反复刷屏的东西，除了各种会跳舞的机器人，就是桌上摆着的那个小方盒子——你对它说句话，它闪两下灯，然后开口跟你聊。评论区一水儿在问“多少钱”“哪里买”。

我去看了下做成品的价格，两三百起步，带外壳带屏幕的四五百。

但拆开看，里面就四样东西：一块 ESP32-S3、一个数字麦克风、一个功放模块、一个小喇叭。屏幕都算选配。

我按“实际要买的那个规格”，一个个点进商品页面核了价，全套 74 块。这篇把接线、烧录、配网、还有几个必踩的坑一次写完，照着做，两个小时能让它开口说话。

先说清楚：它能干什么，不能干什么

能干的：

· 你说“你好，小智”唤醒，然后正常聊，问天气、问常识、让它讲个冷笑话，都行；· 全双工对话，你可以中途打断它；· 官方后台能给它设人设、换音色、换语言，也能接自己的智能体；· 断网就废，但只要连着 WiFi，反应速度比你想象的快。

不能干的（这段最重要，别买完才后悔）：

· 它不是本地大模型。语音识别、大模型推理、语音合成都跑在云端，你家断网它就是个哑巴摆件；· 对话有延迟，一句话说完到它开口，正常在 1 秒上下，网差的时候能干到三四秒；· 只能连 2.4G 的 WiFi。5G 频段连不上，这是 ESP32 的通病，别在这上面折腾半小时；· 声音就那么回事。4 欧 3 瓦的小喇叭，音量开大点会有点糊，想好听得上更好的喇叭和功放；· 麦克风拾音距离大概 2 到 3 米，房间大了就得靠近点说话。

还有个前提：得去官方后台注册账号、绑定设备才能用。不是刷完固件就能聊，中间有一道“验证码”的坎，下面会写。

全套实价：74 块，每一分都是我点进规格里看出来的

先说个事。你在商品列表页看到的价格，基本都是“起价”——那个商品挂着一堆规格，列表页显示的是最便宜那个。

我这次核价专门点了规格，结果是这样的：

几个重点：

第一，麦克风千万别买 4 块那个。同一个商品页里，4.11 元的是“兼容芯片版本”，不是 INMP441 原装芯片；点进 INMP441 原装版，带焊排针的要 12.82 元。差八块钱，差的是能不能正常拾音。这个我在商品页里反复点规格对比过，价格差得离谱，型号必须对上。

第二，主控板选 N16R8 这个模组。16MB Flash + 8MB PSRAM，小智的固件就是这个配置最稳。有的店卖 8.5 元、10 元，那是不带模组的裸板或者别的型号，别被价格骗了。同一家店里 N8R2 版本更便宜，但跑小智容易内存吃紧。

第三，有人卖“小智组合套件”，54 到 55 块，含板子+麦克风+功放+屏幕，已焊好。这个省事，但要自己再配喇叭和线，算下来 78 块左右，比单买贵几块钱，胜在型号是店家配好的，不容易买错。

第四，屏幕可以先不买。不加屏幕也能正常对话，只是看不到状态和验证码。第一次做建议加上，调试时能看见，省很多事。不加屏幕的话，全套 67 块。

接线：就三组线，但每一组都有坑

下面的接法来自官方文档，对应 44 引脚的标准开发板（ESP32-S3-DevKitC-1），固件版本 0.3.0 以上。

麦克风 INMP441（I2S）

功放 MAX98357A（I2S）

屏幕 0.96 寸 OLED（I2C，选配）

喇叭接功放的“音频+”和“音频−”，红的接正。

坑一：L/R 必须接地。INMP441 有左右声道选择脚，不接就是悬空，拾音要么没声要么一塌糊涂。官方文档专门写了这一条，我第一次做的时候就栽在这，折腾了四十分钟以为是固件问题。

坑二：功放的 SD 和 GAIN 也必须接。SD 接 3V3（不然功放一直处于关断状态，你只会听到寂静），GAIN 接 GND（定增益）。这两根线漏了，麦克风好好的，喇叭就是不响。

坑三：3V3 和 GND 的针不够用。麦克风、功放、屏幕三个模块都要 3V3 和 GND，开发板上就那么两个针。要么上两面面包板，要么用一分二的杜邦线。这是很多人的第一道坎。

坑四：麦克风焊反了。有些 INMP441 模块出厂就把排针焊在背面，进声孔朝下。这种情况要么按官方文档里的“反接图”重新对应引脚，要么自己吹下来重焊。新手别自己动，先看文档里的反接表。

烧录：不用装开发环境，网页就能刷

这是这个项目最舒服的地方——不用装 ESP-IDF、不用配工具链，浏览器里就能烧。

1. 去官方开源仓库下载固件包。面包板方案选的是 bread-compact-wifi 那个版本，名字里带 bread 的就是给面包板接线用的；2. 数据线插上开发板。注意必须是能传数据的数据线，那种两芯的纯充电线只能供电，电脑认不出串口，你会以为是驱动问题；3. 打开设备管理器，确认能看到 COM 口。看不到就装一下串口芯片驱动（板子上一般是 CH340 或者 CP2102，问卖家要）；4. 浏览器打开 ESP-Launchpad 这个在线烧录站，点右上角 Connect，选你的 COM 口连上；5. 切到 DIY 页面，选固件文件，填好烧录地址，点烧录。

注意两点：用 Chrome 或 Edge，别用别的浏览器；烧录时把杀毒软件和电脑管家关掉，它们会抢串口。

烧完之后板子会自动重启，蓝灯开始闪，说明进了配网模式。

配网和激活：这里有个验证码，别卡住

配网：

1. 手机 WiFi 列表里找一个叫 Xiaozhi-XXXX 的热点，没密码，直接连；2. 一般会自动跳到配置页，没跳就手动打开浏览器输 192.168.4.1；3. 选你家 2.4G 的 WiFi，输密码，点连接；4. 连上之后板子重启，蓝灯常亮或者有语音提示，就通了。

激活（关键一步）：

设备联网之后，会对你说一句话，里面有一个 6 位验证码。这个码就是绑定凭证。

1. 电脑或手机浏览器打开小智的官方控制台，注册登录；2. 左边点“新建智能体”，随便起个名字，选个角色音色；3. 在设备管理里点“添加设备”，把这 6 位验证码填进去；4. 绑定成功，设备就能正常对话了。

没听到验证码？唤醒它再问一遍，会重复播报。屏幕版的话，码会直接显示在屏上，这也是我建议第一次加屏幕的原因。

重新配网：换了 WiFi 环境，开机时按住 BOOT 键不放，再按一下 RST，先松 RST 再松 BOOT，就回到配网模式了。

几个只有做过才知道的细节

麦克风增益。默认增益偏保守，房间稍大它就听不清。官方后台里能调，也可以刷固件前在配置里改。我调到中档，两米内正常说话没问题。

唤醒词。默认是“你好，小智”。想换成别的，得在 ESP-IDF 环境里重新编译，网页烧录改不了。这一步对新手不友好，先别折腾。

声音糊。腔体喇叭比裸喇叭好很多，但 3 瓦就是这个水平。想更清楚，功放换成带滤波的版本，喇叭上 8 欧 3 瓦，会好一点，但也就一点。

发热。长时间对话，板子和功放都会温热，正常。别塞进密闭的壳子里。

断网重连。路由器重启之后，它自己会重连，大概十几秒。如果三次连不上，会自动回到配网模式。

别用 5G WiFi。再说一遍，ESP32 只认 2.4G。配网页面里选不到你家 WiFi，八成就是这个原因。

这东西到底值不值

74 块，换来一个能对话的小盒子，我觉得值。它不适合当“AI 助手”用，问复杂问题它答得也就那样，但在桌面上摆着，孩子会好奇，来客人会问，你自己也会时不时逗它两句。

真想深入玩，往上的路线很清楚：加个 1.28 寸圆屏做表情、加舵机做成会转头的小机器人、换更好的麦克风阵列做远场拾音、接自己的智能体做特定领域问答。这套硬件是个很好的起点，剩下的都是加法。

往期相关：

· 用 ESP32 做人体雷达，能穿墙看呼吸· 40 块钱的芯片，跑起了 AI 世界模型· 老 iPod 复活：换芯 RP2350，能播无损

这个号只干一件事：把“看着很贵、其实几十块”的硬件项目，拆到你能在自家饭桌上做出来。

每篇都有三样东西：按实际规格核过的物料清单、我踩过的坑、还有它做不到什么。最后这条最重要，能帮你少花冤枉钱。

后面还会继续写这类能动手的项目——ESP32 的、RP2350 的、还有便宜的 FPGA 板子。想第一时间看到，点个关注。有问题直接留言，我基本都回。

回复「目录」，能看到按系列整理的全部文章。