跟你说个事：现在一杯咖啡的钱，能攒出一个完全开源的AI语音助手。
不是买现成智能音箱，是自己攒：一块ESP32-S3的板子、麦克风、喇叭，刷上叫"小智"（xiaozhi-esp32）的开源固件，就有了一个带唤醒词、能连续对话、还能在屏幕上显示表情的语音助手。这个项目在GitHub上已经有超过2.9万颗星。接入官方云服务不用额外付费，个人注册后就能免费用实时大模型。GitHubB站上有个今年4月的教程《30元复刻AI小音响》，ESP32-S3+豆包AI的硬件、代码、组装全流程都给开源了。哔哩哔哩
关注ESP32的朋友对小智应该不陌生，这个开源项目火了一年多，到今年8月，生态又变了一轮。这几天我把B站、知乎、小红书上小智相关的内容捋了一遍，把现状和上手方式一次说清楚。
八月发生的三件事
第一件：烧录不用装软件了。
以前做小智，第一步就是被烧录劝退：装驱动、装烧录工具、下固件，出了问题还得看日志。8月中旬，有UP主开源了一个在线烧录工具——板子插上电脑，打开网页直接在浏览器里刷固件，不用注册，内置常用的小智固件，日志还能让AI帮着看。哔哩哔哩这个视频播放量不高，3000出头，但收藏超过260，是典型的工具型内容，大家存起来等着用。这意味着上手门槛从"会折腾开发环境"降到了"会打开浏览器"。
第二件：MCP正在把小智从"聊天搭子"变成能干活的。
小智以前主要是陪聊，现在项目官方的一句话介绍，干脆改成了"基于MCP的聊天机器人"。GitHubMCP是一种把AI和外部工具连起来的开放协议，给小智接上MCP，等于给它装了手：设备端的MCP能控制喇叭、灯、舵机这些自己的硬件，云端的MCP还能接智能家居、知识搜索。7月初，有人做出Windows一键部署包，号称零代码就能搭好MCP服务。哔哩哔哩8月21日，知乎有篇《57做一个免费AI语音助手》，记录了从刷固件到MCP控制硬件的全流程，全部成本57块钱。知乎
再往前，3月就有人把小智接进OpenClaw这类热门开源Agent框架，让板子执行多步任务。哔哩哔哩这周，ESP-Claw这类直接在ESP32上跑AI Agent的新尝试，也开始有人拆解。知乎方向很清楚：小智正在从语音玩具走向端侧Agent。
第三件：硬件不再只有ESP32-S3一种选择。
上半年做小智，几乎清一色是S3。现在官方适配清单里，板卡目录已经有138个，固件变体超过170个，从ESP32、C3、C5、C6到S3、P4全都有。GitHubESP32-P4大屏，已经有人专门出视频讲它的优缺点。8月26日，还有人发了ESP32-S31接入小智摄像头的项目。哔哩哔哩微雪这类厂商也一直有带屏、带双麦克风的成品板可买。
三条上手路径，按自己的情况选
路径一：自己攒件组装，预算30到60元。
适合会焊接、想少花钱的。核心清单很简单：ESP32-S3板子、麦克风、功放芯片、小喇叭。前面说的30元小音响、57元语音助手，都是这条路线，全流程开源。
最大的坑在配置：板子一定要带PSRAM。小智的语音处理和屏幕显示很吃内存，不带PSRAM的板子会卡，甚至跑不起来。4月有支视频专门讲这事——《ESP32开启PSRAM后，扩展8兆内存，解决卡顿》。哔哩哔哩常见的选法是N16R8版本（16MB Flash+8MB PSRAM），别买错。
路径二：带屏成品板，到手即用。
适合不想动烙铁的，也是目前的主流玩法。B站最火的《ESP32S3 1.54寸LCD彩屏小智AI搭建教程（有手就会版）》，播放3万多，收藏超过1000，比点赞还多。哔哩哔哩大家都是先收藏，留着慢慢搭。它用的就是这类带屏成品板。
挑板子看三点：有没有板载PSRAM、是不是双麦克风、有没有配套教程。双麦不是锦上添花：小智说话的时候，要能听出你有没有打断它，单麦容易把自己的声音也收进去。官方文档也写了，带回声消除的硬件才能做到全双工实时对话。GitHub双麦基本是这类板子的标配，微雪等厂商出的小智适配板，都是这个配置。
路径三：体验升级，P4大屏或S31新板。
适合已经把S3玩明白的玩家。ESP32-P4板子的优势是屏幕大、交互爽，但P4芯片本身不集成Wi-Fi，无线要靠板上的配套模组实现，自己DIY会多一道门槛，已经有视频专门讲它的优缺点。哔哩哔哩ESP32-S31性能更强，这颗芯片7月底才刚量产开售。小红书8月底，就有人拿它做小智摄像头；不过固件层面，S31的变体要求ESP-IDF 6.1以上，比主线用的6.0还新一档。GitHub教程和现成固件比S3少得多——想稳定玩，先留在S3；爱折腾的，S31可以入手蹲后续。
上手前的三点提醒
第一，配网这一关。小智要连家里Wi-Fi，第一次配网是新手最容易卡住的地方。好在现在主流固件支持配网自动弹窗，手机连上板子的热点，配置页面自动跳出来。哔哩哔哩按提示走就行。
第二，"免费"指什么要说清。官方小智云服务个人注册接入是免费的，新手直接用官方云就够；想接自己的大模型、自建服务器，那是玩熟了之后的进阶玩法，别一上来就折腾。
第三，预期摆正。开源固件的价值在于能改：唤醒词、音色、功能都能自己加；但稳定性和内容生态跟成品智能音箱还有差距。把它当一个大型玩具+编程项目，体验会好很多。
谁适合现在上手，谁适合再等等
我的判断：想玩又怕麻烦的，现在正好是门槛最低的时候——在线烧录把最难的一步抹掉了，30到60元的试错成本也就一顿饭，成品板连焊接都省了。已经在玩的，盯两个信号：一是MCP生态，小智能用的现成工具和家庭控制接入还在快速演进；二是S31这类新板的固件支持进度。
做出过小智的，欢迎评论区报一下你的配置和总成本——这类内容，成本清单永远比感想有用。
