ESP-SparkBot 是一款基于乐鑫 ESP32-S3 微控制器构建的开源大模型 AI 桌面机器人。该项目集成了语音交互、图像识别、远程遥控与多媒体功能于一体，通过创新的边缘 - 云端协同架构，在低成本硬件上实现了复杂的多模态交互能力，为嵌入式 AI 应用提供了一个高性价比的参考设计。
一、核心硬件与技术特性
ESP-SparkBot 的核心是乐鑫 ESP32-S3-WROOM-1-N16R8 模组。该模组集成了双核 Xtensa® LX7 32 位处理器，主频高达 240MHz，并配备了 512KB 片上 SRAM。这一计算配置为设备在边缘侧执行实时音频采集、预处理和轻量级 AI 推理（如语音活动检测、本地关键词识别）提供了必要的算力基础。
在连接性方面，ESP32-S3 内置了2.4GHz Wi-Fi 4 (802.11 b/g/n) 和蓝牙 5.0 (BLE) 双模无线通信模块。这使得 ESP-SparkBot 能够稳定地连接网络，与云端大语言模型（LLM）服务进行数据交换，同时也支持通过手机 App 进行蓝牙配网和本地控制。丰富的 I/O 接口，包括 I2S、I2C、SPI 和 ADC 等，使其能够灵活扩展多种外设。在项目中，这些接口被用于连接 OV2640 摄像头模组、1.54 英寸显示屏、驻极体电容麦克风以及 I2S 数字音频放大器驱动的扬声器，构成了机器人的感知与交互硬件系统。
二、系统架构与技术原理
ESP-SparkBot 的技术实现采用了典型的边缘 - 云端协同计算架构，有效平衡了设备能力、响应速度和实现成本。
在边缘端（ESP32-S3），设备主要承担环境感知、指令预处理和设备控制任务。通过乐鑫提供的 ESP-ADF（音频开发框架）和 ESP-WHO（机器视觉框架），ESP32-S3 能够在本地独立运行多项 AI 功能。例如，利用 ESP-SR 语音识别库实现离线语音指令识别；通过 ESP-WHO 库运行人脸识别、移动检测或行人检测等轻量级视觉模型。同时，设备内置的加速度传感器（如 BMI270 陀螺仪）支持实现'摇色子'等交互游戏。所有采集到的音频、图像等数据在本地经过初步降噪、压缩等预处理后，再通过 Wi-Fi 网络发送至云端。
在云端，系统处理计算密集型的高阶 AI 任务。ESP-SparkBot 的设计支持接入包括 DeepSeek、OpenAI GPT 系列、阿里云通义千问在内的多种主流大语言模型 API。用户的语音流经 ESP32-S3 本地预处理后，被传输至云端进行语音识别（STT），转换为文本并交由大模型进行语义理解和对话生成，生成的文本再通过云端的文本转语音（TTS）服务合成音频流，最终回传至设备播放。这种架构将庞大的模型计算负载转移到云端，使得 ESP32-S3 这类资源有限的嵌入式设备也能实现流畅、智能的对话交互。
三、模块化设计与应用优势
ESP-SparkBot 的一个显著特点是其模块化与可扩展的硬件设计。主体与底盘之间通过 4P Pogo Pin 磁吸连接器实现快速连接与分离。用户可以在'桌面智能终端'和'履带式智能小车'两种形态间轻松切换。在小车形态下，由额外的 N20 减速电机驱动履带，通过 Wi-Fi 图传和手机 App 或语音指令实现遥控移动。
