项目概述：开源 AI 语音交互解决方案
Xiaozhi-ESP32 是一个基于 ESP-IDF 开发框架的开源硬件项目，旨在利用低成本硬件打造个人专属的 AI 聊天机器人。它通过 WebSocket 或 UDP 协议与 LLM、TTS API 服务连接，实现实时语音交互功能，无需在设备上运行 LLM。
该项目采用 MIT 开源协议，允许用户自由使用、修改和分发代码，只需包含原作者的版权声明和许可声明即可。这一特性使其特别适合学生、创客和开发者进行 AI+IoT 项目实践。
核心设计理念是通过模块化、可扩展的架构，在资源受限的嵌入式设备上实现流畅的语音交互。该方案平衡了性能与成本，让更多人能够接触并学习 AI 技术。
核心功能：全面而实用的特性
Xiaozhi-ESP32 集成了多种先进功能，使其在开源智能硬件中表现突出：
- 语音唤醒与交互：支持离线语音唤醒，同时也可通过 BOOT 键实现点击和长按两种触发方式，提供灵活的交互选择
- 多语言识别：支持国语、粤语、英语、日语、韩语五种语言的语音识别，借助 SenseVoice 模型实现高效准确的识别
- AI 对话与合成：集成多种大语言模型（如 Qwen、DeepSeek、Doubao），支持大模型 TTS（包括火山引擎或 CosyVoice），实现自然流畅的语音对话
- 显示功能：支持 OLED/LCD 显示屏，可实时显示信号强度、对话内容，还支持 LCD 显示图片表情
- 物联网控制：内置 ThingManager 类管理物联网设备，可通过语音命令控制智能家居设备
- 声纹识别：能够识别是谁在喊 AI 的名字，基于 3D Speaker 模型，提供个性化体验
- 记忆功能：具备短期记忆能力，每轮对话后会进行自我总结，增强交互连续性
- 网络连接：除了常规的 Wi-Fi 连接，还支持 ML307 Cat.1 4G 网络，增加使用场景灵活性
系统架构：模块化设计
Xiaozhi-ESP32 采用模块化架构，中央应用控制器负责协调各个子系统。该架构使系统能够与不同的硬件配置协同工作，同时保持一致的功能。
核心组件
系统由几个关键组件协同工作：
- 应用程序控制器：管理设备状态并协调所有其他组件，是系统核心
- 电路板抽象层：提供独立于硬件的物理组件访问，使核心应用程序无需了解组件具体实现细节即可与它们交互
- 通信协议：通过 WebSocket 或 MQTT 处理客户端 - 服务器通信
- 显示系统：管理所连接显示器上的视觉反馈
- 音频处理：处理音频输入/输出和处理
状态管理
系统通过明确定义的状态机进行操作，控制设备响应用户交互和系统事件的行为。状态包括启动、激活、升级、空闲、连接、监听、说话和 Wi-Fi 配置等不同模式。
硬件与部署：灵活的选择方案
硬件需求
Xiaozhi-ESP32 兼容多款 ESP32 开发板，以下是核心硬件要求：
- 主控板：ESP32-S3 或 ESP32-C3 开发板（如 ESP32-WROOM 或 ESP32-S3）
- 音频模块：麦克风模块用于语音输入，扬声器模块用于语音输出
- 显示模块：可选配 OLED 或 LCD 显示屏
- 网络模块：支持 Wi-Fi 或 ML307 Cat.1 4G 通信
部署方式
项目提供两种运行方式：
- 在线版本：接入 xiaozhi.me 服务器，个人用户可免费试用，适合普通用户
- 离线版本：在本地个人电脑上搭建服务器，需要一定的技术背景，更适合开发者
