从零搭建AI硬件：打造属于你的AI语音助手

在 上张贴 由 声界发表回复
1

前言

随着AI技术的迅猛发展，另一个同样火热的赛道也悄然兴起——那就是 AI硬件。什么是AI硬件？简单来说，就是让各种物品“变聪明”。比如，一个普通的小玩偶，如果加上AI硬件，就可以成为孩子的智能老师或陪伴聊天的好朋友；一个杯子加入智能模块，就能定时提醒你喝水、关心你的健康。

在这篇文章中，我们会聊聊AI硬件由哪些部分组成，怎么快速动手实现一个简单的AI硬件系统，并在文末附上手搓的源码地址，方便大家动手实践。

下面是实行运行情况，我们用语音询问AI，AI以四川口音回答我们问题。

2

AI硬件的准备

要实现一个基本的AI交互设备，我们从最简单的语音问答功能开始：用户说话提问，设备通过网络访问大模型获取答案，然后用语音读出来，并在小屏幕上显示相关信息。

所需硬件清单如下：

  1. 主控芯片：ESP32 S3，便宜但是性能好的处理器。

  2. 麦克风（用于录音）

  3. 功放芯片 + 喇叭（用于播放声音）

  4. OLED 显示屏（显示提示信息）

这些硬件在淘宝上总成本不会超过50元，搜索关键词如“小智AI”就能找到现成的套装。

购买后按照卖家的说明把接好，再烧录固件就能使用，非常方便。不过，我们不满足于只用厂商“傻瓜式”的现成方案。厂商的方案是在中间搭一个软件平台，AI硬件先连接到软件平台，再连到大模型服务

我们希望保持“极客精神”，让我们的AI硬件可以直接对接大模型服务，打造真正属于自己的定制AI设备。

3

AI软件的准备

在动手开发之前，先做好这几项软件准备：

1. 刷入 MicroPython 系统

硬件厂商的固件是使用 C 语言开发，开源而且性能优秀，但代码行数多，牵涉的底层知识多，开发门槛较高。相比之下，Python 是AI时代的编程语言，更加轻松易上手，几行代码就能实现复杂功能，非常适合AI项目开发。

我们先把MicroPython刷到ESP32 之中，这样我们就可以使用Python开发，推荐使用 Thonny IDE ( https://thonny.org/ )，它不仅能刷写固件，还能上传文件、查看调试信息，简单好用。

2.使用Coze 平台智能体

本项目使用 字节Coze 提供的大模型服务，它支持双向语音流式API，还有丰富的语音音色。在开发之前先在coze平台上做三件事

(1) 建立一个智能体, 三分钟就建立完成。

(2) 升级账号到专业版，获取调用语音API权限，先充值3元即可。

(3) 建立个人访问令牌，用来调用API。

3.借助 AI 帮你写代码

虽然我们用的是Python，但编码工作还是交给AI来写吧。使用同样是字节的TRAE 来作为开发助手，可以有效地节约我们的时间。

4

開始开发

接下来我们就正式进入开发阶段，下面简述下开发流程，想直接看代码到这个网址https://github.com/walkskysu/esp32s3_coze

1. 让设备连接上Wi-Fi

ESP32 S3 内建Wi-Fi模块，只需要设置好SSID和密码即可联网。代码简单易懂。

连接wifi代码

import network

sta_if = network.WLAN(network.STA_IF)

sta_if.active(True)

sta_if.connect(WIFI_SSID, WIFI_PASSWORD)

print('network config:', sta_if.ifconfig())

2. 寻找适合的 WebSocket 库

这是最困难的一关，硬件和大模型服务的通信采用 WebSocket 协议，websocket 具有长连接，同时收发消息的特性，比传统 HTTP 更适合语音流应用。但 MicroPython 并不自带 WebSocket 支持。问遍所有的大模型给出的答案都是指到github一个半成品的库，经过一番摸索，才发现 MicroPython的官方库之中有一个写好的aiohttp_ws 支持 (https://github.com/micropython/micropython-lib/)

3. 改写示例代码

把原先的Python代码让TRAE 使用aiohttp 改写成能在 MicroPython 上运行的版本，完成基本的通讯功能。

websocket收发功能

请将main.py 中引用的 websocket库改用项目中的aiohttp改写，让main.py可以在ESP32 S3版子上的 micropython 中执行

4. 添加录音功能（I2S）

我们使用 I2S 协议连接麦克风，I2S 是电子设备间传输音频的常用协议。我们告诉TRAE使用I2S录音和发送消息格式，就可以帮我们写好

录音功能提示词

这个项目是在ESP32 S3的micropython上执行， 在发送音频配置后，启动I2S的录音thread , 持续发送音频流到服务端，格式为{

"id": "event_id",

"event_type": "input_audio_buffer.append",

"data": {

"delta": "base64EncodedAudioDelta"

}}

5. 加入静音检测

为了知道用户是否说完问题，我们加入静音检测功能：持续1.5秒内无声音，就判断为“提问完成”，然后进入回答阶段。

静音检测功能提示词

代码增加静音检测，在说一段话后，静音1.5秒后，发送{

"id": "event_id",

"event_type": "input_audio_buffer.complete"

}，再接着录音发送信息

6. 播放AI语音回答

把大模型返回的音频数据，通过 I2S 推送到功放芯片，实现语音播放。

播放语音回答提示词

这个项目是在ESP32 S3的micropython上执行，在执行过程会收音频数据,格式如下

{"id": "event_id",

"event_type": "conversation.audio.delta",

"data": {

"content": "base64EncodedAudioDelta"

}

}

请解码后送到I2S播放

7. 增加显示功能

用 OLED 显示屏提示当前状态，比如“聆听中”、“回答中”等。但要注意，嵌入式系统中没有字体库，我们需要用这个网站 https://www.zhetao.com/fontarray.html 生成点阵字体

显示功能提示词

这个项目是在ESP32 S3的micropython上执行 ，参考 oled_display.py ，在录音时，oled显示listen_words,在播放声音时显示talk_words

在整个开发过程，我们是透过和TRAE 对话交互的方式进行，虽然它可以帮我们写代码，但是测试、debug和提解决方案还是要自己来。未来AI编程取代工程师还是有很远的路。

5

结语

本文介绍了所需的硬件设备与软件准备过程，并一步步搭建出一个可语音交互的智能设备，涵盖了联网、WebSocket通信、音频录制与播放、静音检测及OLED显示等关键功能。我们坚持极客精神，不依赖中间平台，直接对接大模型服务，打造了一个完全自主可控的AI系统。附上的源码https://github.com/walkskysu/esp32s3_coze 可以直接使用或改造

AI魔法之旅频道提供专业的AI信息和专业评测，如果觉得文章不错，请记得点赞、收藏、转发三连

往期精彩文章：

  1. AI 编程革命：用 AI 实现 10 倍速开发

  2. 本地部署DeepSeek-R1，低成本实现强大推理

  3. 用AI打造佛学大师－零基础AI训练数据集制作指南

  4. 《黑神话：悟空》全球玩家口碑分析

  5. 零基础也能搞定！快速搭建本地大型语言模型指南

  6. AI对话升级 - 画图、解读图像、上网查资料

  7. 在微信上免费使用AI对话