这个假期刷DIY内容的人大概率都撞见了同一类小盒子：屏幕上跳着表情包，你喊一句"你好小智"，它接话、聊天、还能帮你开灯。9月29日有人发"折腾了两款小智，谈谈感受"，9月30日有博主在爆改小方头机器人，10月1日连"AI玩具接入阿里新语音模型"的视频都冒出来了。往前翻，“豆包教我改造蓝牙音箱”"第一次做音响在AI指导下设计完成"这类帖子这两周也没断过。
和"手搓无源音箱配功放板"那波不同，这个小盒子连的是大模型。刚入坑的人最容易产生的误判是：硬件三五十块，教程说"保姆级"，那周末花两小时就能搞定。我们横向翻完了小红书、B站、知乎三个平台的教程、晒单和踩坑帖，把真实的路线、账单和翻车点给打算假期动手的人先排一遍。
先花30秒补课：为什么几十块的板子能跑"满血"
知乎八月那篇小智开源项目深度拆解（《几十块钱的ESP32-S3，怎么就成了AI语音助手的最佳载体？》）把架构讲得最清楚：ESP32这块板子本身跑不动任何大模型，小智的做法是端云分工——设备只管语音唤醒、音频采集播放和外设控制，ASR（识别走SenseVoice）、LLM（对话默认小智Lite轻量模型）、TTS（合成走CosyVoice）全在云端，中间用WebSocket传音频流。知乎
它真正被圈内称道的地方，是把Anthropic设计的MCP（Model Context Protocol）工具调用协议搬进了嵌入式设备：你跟它说"开个客厅灯"，云端大模型理解意图后下发结构化指令，板子直接操作GPIO。这块几十块的板子因此不是"传声筒"，是个能动手的终端。
而"满血模型免费用"的说法来自服务端：实测过两款设备的博主提到，小智官方服务端对个人免费提供全套识别、对话、合成，开发者注册解锁权限后还能自由切换DeepSeek、千问、豆包等模型。硬件几十块、云端免费，这套逻辑确实成立——但"免费"两个字恰恰是后面要算的账。小红书
三条路线，三份真实账单
路线A：从零复刻，教程封面都是这条路
B站"30元复刻AI小音响！ESP32-S3+豆包AI全流程"那期视频，赞166、收藏超过400，是复刻党的代表样本：ESP32-S3主控、开源固件直接烧、全套结构3D打印模型在makerworld免费下载。评论区把价格底牌掀开了——有人问"开发板怎么都是二三十的"，有人晒出平台券后14块、15块拿下，另一位复刻作者自述"小智AI项目总成本80元左右"。哔哩哔哩
但知乎那篇拆解给了更冷的参照：面包板DIY方案实际在100元上下，而且新手别从最便宜的板子开始，你会在接线、供电、噪声上浪费整个假期，不如直接买ESP32-S3-BOX3或M5Stack CoreS3这种麦克风、扬声器、屏幕一体的板子。评论区还有一条典型卡点：“只会STM32标准库，看不懂立创开源广场的原理图，也不会焊接”——配网、烧录、接线，每一步都有人单独发帖问，"如何配置网络连接wifi"甚至自己成了一集教程。知乎
路线B：改家里旧音箱，热度最高的其实是这条路
小红书两篇"9元音响爆改小智"全都过了千赞，收藏都接近一千。“10块钱的透明机甲音箱改装小智”“十元氛围灯音箱改小智”"给旧音箱安个大脑"一路排开，连小爱音箱改小智的帖子都更新到了今年。卖点很直白：喇叭、外壳、供电都是现成的，成本压到最低，动手门槛看起来也低。小红书
翻车点集中在两个物理问题上。第一，旧音箱自带的扬声器和后来加上的麦克风挤在同一个壳里，扬声器一放音就被麦克风重新采走——小智固件集成了AEC回声消除，但拆解文里说得很死：AEC效果依赖麦克风与扬声器的物理布局，两者靠得太近，算法也救不了。第二，想要"放歌"功能得另写程序，改出来的小智默认是个对话终端，不是音乐播放器，别拿它替代原来的蓝牙音箱。知乎
路线C：买"开源成品"，今年新增的中间选项
这条是今年才成型的：FoloToy那块透明AI Passport工牌，官方定价199元、券后99元，媒体统计开售20天卖了一万多台，官方渠道至今断货预售，闲鱼上挂300到500元有人抢。知乎九月那篇拆解把它掰开给你看：主控ESP32-C3，立创商城同型号7.26元起；音频codec是ES8311，充电是IP2332；整机一颗螺丝没有，指甲抠开卡扣三分钟见板子；壳上印着"Wear it. Flash it. Make it anything"。知乎
溢价去哪了很清楚：开模外壳、彩屏、电池、调校，以及"开放可刷"的身份承诺——实测博主的判断是，厂商授权版小智成品（约199元档）赢在硬件工程，核心对话能力和自改版用的是同一个服务端，“能力上没有区别”。图省事、看重外观选成品；想深度定制选开源。要提醒的是华强北"第五代""第六代"小智成品挂链接的短视频最近成片出现，互动很低，白牌跟风盘正在收割不懂的人。小红书
"免费"到底免了什么：三笔必须算的账
第一笔，共享服务端的稳定性。 官方服务端免费，但知乎拆解文和社区反馈反复提到：社区共享的免费服务高峰期会卡顿、体验不稳，打算长期使用或产品化就得自建。自建的路径也确实开源了——xiaozhi-esp32-server仓库、Python 3.10起步、sherpa-onnx编译、端口冲突这些坑，小红书那篇"Linux服务端部署教程"能拿到三位数收藏，就是因为卡在这里的人多。"你的音箱听谁的话"这件事，免费阶段实际上是托管在别人的服务器上。知乎小红书
第二笔，换模型的token账。 官方默认链路（Lite模型+全套语音）对个人免费，但解锁权限切到DeepSeek、千问、豆包的满血模型后，计费取决于你服务端绑定的模型账号——部署前先看你自己那页价目表，别把"官方免费"读成"所有模型免费"。
第三笔，时间账。 B站那条340元"小智全息设备"改装帖（赞近400、评论140+）是最好的样本：七个小时做出来，博主自嘲"复活了一个智力低下的缝合怪"。套件不等于成品，买硬件只是开始付款。哔哩哔哩
评论区反复提到的七个细节（动手前对照）
板子认型号：ESP32-S3-N16R8（16MB Flash+8MB PSRAM）是流畅线；经典款ESP32音频卡顿、C3能唤醒但吃力、S2基本不可用——评论区"N16R8"成了接头暗号不是没原因。知乎
PSRAM频率：80MHz和120MHz的模组音频延迟有可感知差距，下单前翻模组规格书。
INMP441麦克风是接线黑洞：WS与SCK接反、LRSEL没接地，是"采到的全是噪声""左右声道混乱"两大翻车的主因。
MAX98357A功放的增益是硬件引脚配置的，不像PAM8403能拧电位器；喇叭阻抗不对，要么声音小要么破音。
离线唤醒功耗：ESP-SR待机约10-20mA（3.3V），但要做电池款还得配合深度睡眠才有像样的续航。
WiFi只吃2.4G：家里路由器开5G优先的，先单独把2.4G弄出来再谈配网。
儿童语音识别是当前最大隐性翻车点：折腾了两款设备的博主实测结论很直接——低龄儿童吐字含糊，经常触发不了或者转写"驴唇不对马嘴"，这是通用流式ASR语料普遍缺儿童适配的问题，不是某台机器的个体缺陷。想给娃当学习机的，至少等孩子上学、发音规范了再动手。小红书
人群怎么分：三句话
想借机学嵌入式：路线A，N16R8开发板+3D打印壳，总预算60-100元，预留整个假期，别嫌面包板丑。
只想要个桌面玩具、不碰烙铁：一体开发板（S3-BOX3/CoreS3）或99-199元档开放成品，别碰华强北"第六代"。
买给孩子或独居老人：先别买。儿童侧识别过不了关，老人侧服务端稳定性没兜底，这轮体验还没到"送人"的成熟度。
接下来盯什么
10月1日已经出现AI玩具厂商适配阿里qwen-audio语音模型的演示，宣传点是情感表现更好、价格更低。乐鑫8月底发布了ESP32-S31的Linux BSP预览版；知乎那边"智能音箱热度是不是过去了"的讨论浏览量过了五十万，反方证据恰恰是这波DIY热潮——买成品音箱的人躺平，动手接大模型的人在加班。这三件事往任何一个方向走，都会改变现在这三条路线的性价比。小智这轮真正的价值不是那个几十块的喇叭，而是它第一次给DIY圈提供了"百元内硬件+标准化协议+云端大模型"的现成接口。想下场的话，带够接线和配置的耐心——复刻那30块，只是门票。哔哩哔哩
