我要投稿

用ESP32，做了个siri？！开源了！

发布日期：2024-06-27 15:03:20 浏览次数： 3850

作者：立创开源硬件平台

微信搜一搜，关注“立创开源硬件平台”

前言

用ESP32做了一个语言模型，就像一个基础版“siri”~

项目功能/亮点

”

支持对话（语言识别与合成），响应速度几乎在3s以内。

支持触碰交互

通过修改代码，可以设置AI的对话方式和回答风格

支持用于拓展设计，例如：智能MP3、简易版siri/小爱同学、实时翻译工具…

想实现这些功能，软硬件如何设计？会不会很难？

其实，可能比你以为的更简单！

硬件设计

”

原理图

PCB图

实物图

▲

元器件选型说明

选用：ESP32S3-WROOM-1-N16R8

INMP441 与 MAX98357A 使用的都是模块

电池插头是1.25间距正接头，仅支持单节3.7v锂电池，typec接口有充电功能，可以给锂电池充电

喇叭：MAX98357A可以推动3w喇叭

串口模块是CH340C，后面有C！

显示屏幕是3.2寸带触摸屏幕

搞定了电路设计，那又要如何实现主要的“对话”功能？

训练语言模型？用现成的！

”

关键词：讯飞、火山引擎

想实现对话功能，起码得让它“听懂”。这得通过STT（语言转文字）和TTS（语音合成）实现！STT和TTS使用的是讯飞API。PS：注册讯飞账号有试用礼包。

光“听懂”不行啊，得聊起来呀！这就需要大语言模型了。大语言模型不仅能够生成自然语言文本，还能够深入理解文本含义，处理各种自然语言任务，如文本摘要、问答、翻译等。

大语言模型使用的是火山引擎的豆包同款引擎。PS：一样，注册账号可以领取免费试用。

作者亲测，就算是试用，也够玩一阵子了~~

如何连接API？

上面三个API，是从各自官网控制台获取到KEY后，修改代码中相关的字段，才可以正常连接到API。

代码中还需要修改WiFi的连接信息。

一些说明

讯飞的服务使用webscoket连接API，TTS使用了流式处理，一边接收一边播放音频。有时数据处理不严谨会发生错误，这个暂时还没解决，请自行排查修改；STT没有用流式处理（懒），说短句子没有什么影响，发送长句子的话，有一部分时间也是浪费在这里了。

火山引擎使用HTTP连接API（因为火山的webscoket确实没有调通，才疏学浅见笑了），没有做到流式处理，反应时间部分浪费再了这里。

webscoket响应时间短，通信更流畅。

HTTP也够用，是比较传统的方式。

作者OS：我是软件方面的“新手”，目前算是用“用尽方法”实现了想要的功能，代码可供同道新人参考，高手一笑了之。如各位有意复刻此项目，请务必先下载源码进行编译测试，可编译通过再进行复刻尝试，如若不能还请三思。

编译环境如下

”

编译软件：ArduinoIDE 2.3.2

SDK： ESP32 SDK 2.0.13（开发板管理中下载）

使用主要库：TFT_eSPI 2.5.43 （库管理中下载）

U8g2_for_TFT_eSPI下载地址：https://github.com/Bodmer/U8g2_for_TFT_eSPI

开发板设置

文章的最后，总结一下工作原理：

ESP32S3使用INMP441接收声音
将pcm音频数据发送至讯飞STT语音识别服务转换为文字
再将文字发送至大语言模型API提问
最后将回答的文字发送至TTS语音合成服务
并通过MAX98357A播放音频

过程中用TFT触摸显示屏进行交互显示。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-02-03

Claude Code——智能路由与切换工具

2026-02-03

作为投资方，我们试了试Kimi K2.5

2026-02-03

暴涨11.7k Star！复刻Manus上下文工程的开源Skills，Claude code等多个平台即插即用

2026-02-03

ollama v0.15.4 更新：OpenClaw全面上线，优化集成流程与工具解析能力大升级！

2026-02-03

阶跃星辰 Step 3.5 Flash 上线！更快更强更稳的 Agent 大脑，开源！

2026-02-02

一分钟部署OpenClaw+QQ，国内最爽的一键启动！

2026-02-02

这家字节系AI初创，推出首个开源Agent Skills Builder！对话Refly.AI李锦威：大多数Agent都停留在专业用户层面，没有做到真正的普惠

2026-02-02

OCR又出宠OpenDoc，速度超MinerU6倍

联系获取

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

全新AI编程工具 Google Antigravity 实测，特别适合产品经理

2025-11-19

Clawdbot 完整安装教学：2026 年最火的开源AI 个人助理

2026-01-27

2025-12-22

豆包手机同款AutoGLM硬核开源：AI如何用“眼睛+大脑+手”接管你手机

2025-12-10

让白宫“破防”的阿里千问，我替你们测了...

2025-11-17

SkillsMP：一个聚合了 5 万+ AI Agent 技能的开源社区

2026-01-12

最强开源0.9B级OCR模型！PaddleOCR-VL本地一键部署，私密性拉满【喂饭级教程】

2025-11-07

我把Claude Code换成GLM-4.7用了6小时，我竟然没发现明显区别

2025-12-23

Claude Code最强开源对手！GitHub 50.2k Star了，作者为它烧掉2.4w美元。

2026-01-06

Clawdbot 深度拆解： 7 个问题看懂它。

2026-01-29

大家都在问

一夜爆火，Clawdbot是否才是真正的AI入口产品？

2026-01-28

Clawdbot爆火：Karpathy点赞的开源AI助理，到底是什么？

2026-01-26

速递 | DeepSeek突然扔出MODEL1，这到底是V4还是R2？

2026-01-21

DeepSeek-R2要来了？

2026-01-21

TranslateGemma-27B谷歌开源翻译模型有多强？

2026-01-20

构建开放智能体生态：AgentScope 如何用 A2A 协议与 Nacos 打通协作壁垒？

2026-01-16

又是量化基金，第二个DeepSeek时刻到来了？

2026-01-02

2025-12-24

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB Palantir Glean

用ESP32，做了个siri？！开源了！

ESP32S3使用INMP441接收声音

将pcm音频数据发送至讯飞STT语音识别服务转换为文字

再将文字发送至大语言模型API提问

最后将回答的文字发送至TTS语音合成服务

并通过MAX98357A播放音频

过程中用TFT触摸显示屏进行交互显示。