搜索文章 Ctrl K

想给桌面机器人接个大脑？我翻了社区三种做法

Administrator 0 阅读 技术

这两周，开源社区给同一种桌面小机器人接了好几种「脑子」，仓库一个接一个冒出来，名词一个比一个绕。

我把它们挨个翻了一遍 README，发现归纳起来其实就三条路：脑子在云端、在你家电脑上，或者干脆借你已经在用的 AI 助手。

免责声明：文中提及的 StackChan 方案与改版我均未上机实测，所有参数、效果与测试结论均摘自作者公开文档。这篇指南旨在帮你理清技术架构，读完能清晰定位适合自己的路线，知道该去哪个仓库读 README。

为什么先看再刷？

1. 先分清板子

后面每条路都绕不开硬件型号： - 普通 CoreS3：一块带屏幕的小方块 ESP32-S3 开发板，没有舵机底座。 - M5StackChan 成品套件：CoreS3 加上带两个串行舵机的运动底座（脖子能灵活转动），带有两排共 12 颗 RGB 氛围灯。小智主线板型中注明其以 K151 出货。注意：M5Stack 官方文档 明确写道，官方 StackChan App 不认普通 CoreS3。 - 其他衍生板：如 CoreS3 SE（无舵机底座精简版）或其他 ESP32 屏幕模块。

2. 刷机风险前置

刷第三方固件存在变砖风险，保修以硬件厂商说明为准。下文每个仓库最多摘录一行官方推荐的构建命令；配网、填服务器地址、填 API 密钥等具体操作请务必严格遵照各仓库 README。动手前第一件事：整片备份！

三路方案全景对照

三条路岔路口

维度 第一条路：直接连云 第二条路：家里电脑当大脑 第三条路：借现成 AI 助手
核心机制 机器人直连云端实时语音服务 刷小智协议固件，本地电脑跑网关与模型 机器人充当电脑端 AI 助手的嘴和麦克风
脑子在哪 云端（OpenAI / 豆包 / Muse） 本机 Docker 容器 + 本地或云端 LLM 现有桌面端/本地 Agent（Claude / Grok）
常开电脑 否（机器人连 Wi-Fi 即可独立运行） 是（需常开电脑承载识别与中转服务） 是（网关或 USB 物理连线需持续在线）
硬件门槛 普通 CoreS3 / StackChan 成品均有方案 主推带舵机的 StackChan 成品 视方案而定（声卡方案限成品，像素桌宠限 SE）
核心代价 依赖外部网络；按会话时长扣费；缺少回声消除 首次搭建费时（Durk 作者估 1-2 小时）；需 Docker 与本地算力 部分非公开接口存在失效与封号风险

第一条路：让它直接连云

这条路线的核心在于去服务器化：机器人配网后直接通过 Wi-Fi 连接第三方实时语音云端服务，家里不需要架设任何常开设备。

1. AI_StackChan_Ex

  • 特性与版本：在 v0.25.0 版本引入了 OpenAI 的 GPT-Live 全双工对话；作者在 X 上的发版帖中提到同步支持了 Gemini Live 3.8（提交记录仅注有 Support gemini-3.8-live，未附详尽测试报告）。
  • 硬件限制：官方全双工文档明确标明面向 CoreS3 内置音频（原文「CoreS3内蔵音声向け」），构建环境为 m5stack-cores3-realtime，Core2、AtomS3R 及外接音频模块均不适用。舵机控制依赖 stackchan-arduino 库 v0.0.7 以上，但在成品上的全双工实测情况待核。
  • 已知瓶颈：没有集成回声消除（AEC），扬声器声音可能被麦克风重新录入导致自问自答；即使静音也会按会话时长持续扣费（虽然 60 秒无语音会发送结束请求，但不代表计费瞬间截断）。

2. giligili （叽哩叽哩）

  • 特性与定位：接入火山引擎豆包实时语音，定位为面向儿童的语音陪伴。
  • 硬件限制：README 原文注明「本项目依赖 StackChan 底座外设，不是通用 ESP32 固件」，因此仅适用于 StackChan 成品，普通 CoreS3 无法使用。
  • 环境与安全：构建命令为 ./build.sh build，安装脚本目前仅支持 macOS Apple Silicon 与 Linux x86_64。安全方面需注意：其 TCP 控制台、蓝牙配网和遥控通道没有应用层身份认证，仅限安全家庭内网使用；建立通话前会查询一次 IP 归属地并写入对话上下文。作者坦白本轮未做真机全功能回归测试。

3. Muse Gadget SDK

  • 特性与生态：由 Facebook Incubator 开源，连接 Muse AI 助理。
  • 硬件限制：其板型表收录了普通 CoreS3（完整 UI、触屏交互、按电源键说话），构建指令为 tools/muse/board.sh build cores3。但板型表中没有 StackChan，SDK 不接管舵机，刷入成品后头部无法转动。
  • 条款与反馈：需配合 Muse 账号与 App 使用，其 SDK Token 条款注明仅限个人非商业用途，原文还写它「not a supported product and not a developer platform」（不是正式支持的产品或开发者平台），存在失效风险。社区反馈分化：有人在 CoreS3 跑通后自述按住按钮才收音且回复仅文字；亦有刷入 StackChan 的玩家写下了失败谈，声音送出后回复却回流到手机端。

小结：此路线免去自建服务器的麻烦，配置最快；代价是语音数据过第三方云端、网络断开即瘫痪，且按时长计费的实时音频消耗不菲。

第二条路：家里电脑当它的大脑

这套方案采用「端-边」协同架构：机器人端刷入兼容小智协议的固件，局域网内的个人电脑或家庭服务器负责跑听、说、想的核心服务，后端模型可自由热插拔。

底座：小智主线 (78/xiaozhi-esp32)

主线在合并了 PR #2337 后，正式引入了 StackChan 成品板型 m5stack/stackchan： - 构建入口：python ./scripts/build.py m5stack/stackchan - 适配进度：首期覆盖了屏幕、音频、供电管理与脖子舵机；电容触控、RGB 灯带及闲置摆头功能尚未合并。提交日志中写明：「this reduced configuration has not itself been flashed」（该精简配置合入时未直接经过硬件烧录验证）。最新稳定 Release 仍为 v2.5.2，欲体验需自行编译源码。 - 配套服务：通常配合 xiaozhi-esp32-server 使用，支持 Docker 一键部署或本地运行。

社区三大衍生分支（均面向 StackChan 成品）

  1. dotty-stackchan - 固件从官方独立分支维护，本地 Linux 跑 Docker 服务端，语音识别与合成均在局域网内处理。 - 大脑默认运行本地 pi 编程 Agent 加小模型，兼容 Ollama 与 OpenAI 格式接口。 - 固件为纯源码交付（Source-only: the server address is compiled in），服务器 IP 需硬编码入固件重新编译。视觉模块默认会将画面上传至云端；内置的儿童过滤被作者称为「a weak, bypassable backstop」（脆弱且易绕过的初级兜底）。最新 fw-v1.3.5 修复了 I2C 通信异常导致整机重启的问题，仅作了冒烟测试。

  2. Durk for Stack-chan - 组合方案：固件改自 xiaozhi-esp32 v2.5.2，服务端改自 v0.9.7，大脑与音色采用 xAI 的 Grok（需按量计费）。 - 根据其 SETUP 指南，需一台常开电脑（支持 Win/Mac/Linux）并下载本地语音模型，首次配置耗时约 1-2 小时。 - 优势在于配网页面直接提供服务器地址输入框，修改无需重编译固件。提供常规与「unhinged」两种对话模式，免费版提供固件与教程，作者亦提供付费预置配置包。

  3. Nous-Girl - 板型标为 M5Stack StackChan K151 (CoreS3)，Docker 运行小智服务端负责流媒体交互。 - 大脑可选接 Nous Research 的 Hermes Agent（具备长效记忆与工具调用），亦可接入本地 Ollama。 - 公开固件不内置服务器 IP，方便烧录；目前服务端仅在 Apple Silicon Mac 上通过测试，作者提醒固件仍处于 Beta 阶段。注意：原作者初始推文仓库链接有误，请认准 dax8it/nous-girl-stackchan 官方主仓。

小结：隐私度高、大模型选择完全自由；但首次配置门槛高，依赖家中电脑 24 小时待命，且多由独立开发者单机验证，容错率较低。

第三条路：借你现成的 AI 助手

不重构复杂链路，直接让机器人变身为日常已经在用的 AI 助手的「实体外设」。

1. xiaozhi-hub-server

  • 免刷机特性：无需重刷固件，直接将出厂固件的 OTA 地址指向该中转网关，即可通过语音唤醒将任务分发给本机 AI（例如本地运行的 Claude Code）。
  • 实测与边界：作者实测基于 StackChan 官方固件 1.5.1；官方小智固件 1.6.1+ 亦可使用，但未明确包含普通 CoreS3。务必警惕网关端口不要裸露到公网。后续加入的 Grok Bot 模块使用的是逆向非官方接口，存在账号风控隐患。

2. stackchan-mcp

  • Agent 控制流：构建 MCP（Model Context Protocol）网关，允许外部智能体直接通过标准协议调取机器人的发音、监听与转头控制接口。固件基于上游 xiaozhi-esp32 v2.2.6 定制，专用于官方成品套件。

3. stackchan-desk-voice

  • 极简物理声卡模式：机器人通过 USB-C 直连电脑，降级为一个带触摸感应的 USB 麦克风与扬声器。
  • 双击头部两次，电脑端脚本自动唤醒 Grok 桌面 App 的实时通话，全程一根 USB-C 线，不碰账号接口。缺点是脚本仅支持 Windows 环境，无回声消除，且仅适用于成品。

4. 屏幕衍生玩法：clawd-pet

  • 适合只有 CoreS3 SE（无底座）的用户：将 Claude Code 的执行状态实时投射至屏幕，呈现一只随指令思考、敲代码与待机的像素小螃蟹，属于低成本趣味桌面小摆件。

怎么选？几个避坑提醒

决策三问法

  1. 看硬件：手里是普通 CoreS3 还是 StackChan 成品？普通板优先看 AI_StackChan_Ex 或 Muse；成品底座方案请直接看小智或声卡方案。
  2. 看环境：是否接受家里常开一台电脑？不接受选连云路线；接受可选本地大脑或 MCP。
  3. 看成本：是愿意按用量向云端付 API 费用，还是用自己的电脑显卡拼算力，亦或是复用现有的订阅制助手？

有玩家长期体验后评价：它「可玩性很高，实用性不大」，拾音要凑近说，模型回复又慢，更适合当单向推送信息的展示设备。这是他的个人体验，帖子里没有测量数据。

社区高频硬件踩坑指南

  1. 舵机供电坑（小智主线）： 底座舵机电源由扩展芯片的第 0 引脚控制，系统上电默认处于关闭状态。若固件未显式拉高该引脚，总线依然可以读取角度数据，但舵机完全无法通电转动。作者在 PR 里说，为了找这个问题花了十个固件版本。
  2. 屏幕驱动批次变更： 根据 CoreS3 官方产品页 记录，官方自 2026 年 8 月 7 日起将屏幕驱动 IC 从 ILI9342C 变更为 ILI9342E；而小智 StackChan 板型的 README 写的还是 ILI9342C。新批次机器上显示是否正常，我没找到证据，待核。
  3. 缺少回声消除（AEC）： 多数直连云方案未做声学回声抵消，扬声器播放时麦克风会自发录入，形成死循环自问自答，同时由于静音期间保持推流，可能带来意外的扣费。
  4. 出厂 NVS 零点校准保护： stackchan-desk-voice 的 README 反复强调：成品出厂 NVS 里存着舵机零点校准，刷机前先整片备份 16MB Flash、只写应用区、不要全片擦除；但 Durk 的首次完整刷写步骤里却带全片擦除。两边写法不一样，照你选的仓库来，备份这一步别省。
  5. 非官方逆向 API 封号风险： 走非公开接口的项目（如 xiaozhi-hub-server 的 Grok Bot 通道），App 一升级就可能断，也可能违反服务条款、有账号风险，我不推荐。

动手前自检清单

  • [ ] 确认手中硬件确切型号（普通板 vs 成品底座 K151）
  • [ ] 完整备份 16MB Flash 原始固件（保留舵机零点校准）
  • [ ] 确认目标仓库为原版主仓，拒绝镜像与未经验证的 Copy
  • [ ] 评估云端语音扣费规则与网络环境延迟
  • [ ] 尽量选用带标准 API 或本地 MCP 协议的安全方案