75元!复刻Moji 2.0 小智 AI 桌面机器人,基于乐鑫ESP32开发板,内置DeepSeek、Qwen大模型

文末联系小编,获取项目源码

Moji 2.0 是一个栖息在你桌面上的“有灵魂的伴侣”,采用乐鑫 ESP32-C5开发板,配置 1.5寸 360x360 高清屏,FPC 插接方式,支持 5G Wi-Fi 6 极速连接,内置小智 AI 2.0 系统,主要充当智能电子宠物的角色,在你工作学习枯燥时,通过圆形屏幕上的动态表情包卖萌解压,提供情绪陪伴;同时它也是功能强大的AI 语音助手,支持像真人一样流畅的连续对话,随时为你查询天气、解答疑惑或闲聊解闷,非常适合作为极客桌搭或嵌入式学习的开源平台。

🛠️ 装配进化

告别手焊屏幕的噩梦。全新设计的 FPC 插座连接,排线一插即锁,将复刻门槛降至最低。

🚀 性能进化

主控升级为 ESP32-C5。支持 5GHz Wi-Fi 6,在复杂的智能家居网络中,语音交互响应快如闪电。

👁️ 视觉进化

屏幕尺寸跃升至 1.5寸 (360x360)。配合 QSPI 协议 驱动,动画丝滑流畅,彻底告别撕裂与拖影。

🔈 听感进化

重构音频电路,采用 ES8311 全差分链路。有效抵消射频干扰,背景底噪深邃宁静。

🔋 能源进化

内置 500mAh 电池,搭配 DC-DC 高效电源与无线充电预留接口,随手一放即可回血。

🤖 小智AI 2.0

完美适配最新固件。支持全双工语音对话、打断唤醒,响应速度质的飞跃。

😀 自定义表情

得益于大内存和 QSPI 屏,支持自定义图片/GIF 表情。根据对话情绪(开心/生气)自动切换。

🤖 技术架构

Moji 2.0 小智AI机器人项目构建起从硬件接入、智能体构建到生态联动的一站式开发流程,它不仅是智能工具,更是一个真正“懂你”的AI助理。无论是在解决问题还是分享快乐,小智AI聊天机器人都以独特的智慧和温柔的方式,使科技更加有温度,生活更美好。ESP32智能AI套件为开发者提供了一条高效、开放、具备可复制性的落地路径。

图片
  • 通信协议 基于 xiaozhi-esp32 协议,通过 WebSocket 实现数据交互。
  • 对话交互 支持唤醒对话、手动对话及实时打断。长时间无对话时自动休眠
  • 多语言识别 支持国语、粤语、英语、日语、韩语(默认使用 FunASR)。
  • LLM 模块 支持灵活切换 LLM 模块,可选阿里通义Qwen、DeepSeek、OpenAI 等

主控芯片:ESP32-C5(双频 Wi - Fi 6+ RISC - V )

屏幕规格:1.5寸 IPS 高清圆屏(360x360分辨率)

驱动接口:高速 QSPI 协议

音频方案:ES8311解码+全差分走线

电源系统:500mAh电池+ DC / DC 稳压

软件生态:适配小智 AI 2.0

Moji 2.0 核心功能

  • 离线语音唤醒:通过 ESP-SR 实现。
  • 流式语音对话:支持 WebSocket 和 UDP 协议。
  • 声纹识别:识别说话者身份。
  • 短期记忆:对每轮对话进行总结。
  • 自定义角色:支持提示词和音色设置。
  • LCD 显示屏:显示emoji及对话内容。
  • 大模型:可接入DeepSeek、OpenAI 、Qwen等
  • 联网能力:支持 Wi-Fi 和 4G 双网络接入

🛠️ 硬件组装

图片

芯片焊接:音频芯片 ES8311 为 QFN 封装,必须使用热风qiang或加热台,仅靠电烙铁无法完成。

焊接顺序:强烈建议先验证喇叭有声音之后,最后再焊接麦克风,避免麦克风损坏导致排查困难。

麦克风温控:麦克风极度怕热,风qiang温度需 ≤300°C 且吹焊时间小于 10 秒。

洗板水禁忌:清理焊盘时,严禁洗板水/酒精渗入麦克风拾音孔,否则会导致麦克风永久失效。

PCB 厚度:下单打板时请务必选择 1.6mm,否则 Type-C 接口高度不匹配外壳。

屏幕安装:安装排线时,先确认排线方向然后对准插座,缓慢插入排线。切勿暴力硬插。

固件烧录:建议使用 ESP Flash Download Tool,地址设为 0x00000。需按住 Boot 键插入 USB 进入烧录模式。

🚀 物料清单

🎯 原理图和PCB板

🌳 写在最后

Moji智能AI助手可以搭载多种开源AI大模型( DeepSeek、OpenAI 、通义千问),通过对话角色自定义、海量知识库、长期记忆、语音声纹识别等功能,成为了一个真正“懂你”的AI助理。无论是在解决问题还是分享快乐,Moji 都以独特的智慧和温柔的方式,使科技更加有温度,生活更美好。

ESP32 智能AI项目源码:

https://github.com/78/xiaozhi-esp32

Moji 智能AI助手 3D建模资料获取:

https://makerworld.com.cn/zh/@MoveCall

Moji 智能AI助手项目资料获取:

https://oshwhub.com/movecall/moji2


如有IoT 源码采购和项目交付需求,商务合作,企业产品推广,请扫码联系小编,微信号: beacon0418

往期推荐

开箱即用!国产开源30+AI视觉算法IoT智能物联网云平台

国产开源Web 工业IoT组态软件,支持Modbus、OPC,支持拖拉拽

源码交付,7天完成国产信创部署智慧工地方案

4万元,国产信创私有化部署,破解县域无人机AI巡检平台落地难题

上班摸鱼, 智能 AI 监控老板行踪

免费开源,千知AI知识图谱平台,支持DeepSeek、Qwen

信创部署,源码交付!县域低空经济无人机 AI 巡检平台

智慧农业大爆发:AI+物联网+区块链重构“天空地”一体化监测

免责声明:本公众号所发布的内容来源于互联网,我们会尊重并维护原作者的权益。由于信息来源众多,若文章内容出现版权问题,或文中使用的图片、资料、下载链接等,如涉及侵权,请告知我们,我们将尽快处理。主理人微信: beacon0418

Read more

OpenClaw 钉钉群聊多机器人配置完全指南

OpenClaw 钉钉群聊多机器人配置完全指南

OpenClaw 钉钉群聊多机器人配置完全指南 在团队协作中,配置多个专用机器人可以显著提升工作效率——不同的机器人可以分别负责写作、编码、数据分析等不同任务。本文将详细介绍如何在使用OpenClaw的钉钉群聊中配置多个任务机器人,并进一步讲解如何为每个机器人赋予独特的性格和工作规范。 一、钉钉端配置 首先,我们需要在钉钉开放平台创建多个任务机器人。 1.1 创建机器人 1. 按照上述步骤,根据实际需求创建多个机器人。 机器人创建完成后,务必记下 Client ID 和 Client Secret,这些信息后续配置会用到。 访问 钉钉开发者平台,点击立即创建按钮创建任务机器人。 二、OpenClaw端配置 完成钉钉端的配置后,接下来我们在OpenClaw中进行相应的设置(默认已装过钉钉插件)。 # 安装钉钉渠道插件 openclaw plugins install @dingtalk-real-ai/dingtalk-connector # 重启 gateway openclaw gateway restart 2.1 添加 Agent

By Ne0inhk

从零构建智能图谱:Dify-Neo4j数据嵌入全流程详解

第一章:从零构建智能图谱:Dify-Neo4j数据嵌入全流程详解 在构建现代智能应用时,知识图谱与大语言模型的结合正成为关键驱动力。Dify 作为低代码驱动的 AI 应用开发平台,配合 Neo4j 图数据库的强大关系建模能力,可实现结构化知识的高效嵌入与语义查询。 环境准备与服务启动 首先确保本地已安装 Docker 和 Python 环境,并启动 Neo4j 实例: # 启动 Neo4j 容器,暴露 Bolt 和 HTTP 端口 docker run -d \ --name neo4j-graph \ -p 7687:7687 \ -p 7474:7474 \ -e NEO4J_AUTH=neo4j/password \ neo4j:5 启动后可通过 http:

By Ne0inhk

机器人重力补偿技术:从理论到实践的MuJoCo实现解析

机器人重力补偿技术:从理论到实践的MuJoCo实现解析 【免费下载链接】mujocoMulti-Joint dynamics with Contact. A general purpose physics simulator. 项目地址: https://gitcode.com/GitHub_Trending/mu/mujoco 技术挑战引入:重力场中的机器人控制困境 在精密制造领域,当六轴机械臂以0.1mm精度装配半导体元件时,未补偿的重力会导致末端执行器产生2.3mm的静态偏移,直接超出工艺允许误差范围。医疗手术机器人在进行脑组织穿刺时,重力引起的臂端下垂可能造成0.5mm的定位误差,这在神经外科手术中可能导致严重后果。这两个典型场景揭示了同一个核心问题:重力作为一种持续存在的外力场,如何精确量化并实时补偿其对机器人系统的影响,是实现高精度控制的关键挑战。 MuJoCo物理引擎通过其独特的动力学计算架构,为解决这一挑战提供了完整的技术方案。在拟人机器人模型中(model/humanoid/humanoid.xml),23个自由度的复杂结构使得重力影响呈现高度非线性特征,髋

By Ne0inhk
宇树G1机器人强化学习训练完整实战教程

宇树G1机器人强化学习训练完整实战教程

0. 前言 人形机器人的运动控制一直是机器人领域的重要挑战,而强化学习为解决这一问题提供了强有力的工具。本教程将基于宇树G1人形机器人,从基础的强化学习环境搭建开始,逐步深入到高自由度模型的训练配置、奖励函数设计与优化,最终实现复杂动作的训练控制。作者看到一个很棒的系列,所以针对性的对文章内容进行了整理和二次理解,方便大家更好的阅读《不同自由度的宇树G1机器人强化学习训练配置及运行实战 + RSL-RL代码库问题修复》、《宇树G1机器人强化学习训练奖励函数代码架构 + 创建新的奖励函数(1)》、《RL指标分析与看板应用 — 宇树G1机器人高自由度模型强化学习训练实战(3)》、《调参解析 — 宇树G1机器人高自由度模型强化学习训练实战(4)》、《舞蹈训练?手撕奖励函数 — 宇树G1机器人高自由度模型强化学习训练实战(5)》。 1. 强化学习训练环境配置 1.1 基础环境搭建 宇树机器人的强化学习训练基于Isaac Gym物理仿真环境和RSL-RL强化学习框架。首先需要确保这两个核心组件正确安装和配置。 在开始训练之前,我们通过简单的命令来启动12自由度G1机器人的基础训练:

By Ne0inhk