xiaozhi-esp32-server

---

适用人群 👥

本项目需要配合 ESP32 硬件设备使用。如果您已经购买了 ESP32 相关硬件，且成功对接过虾哥部署的后端服务，并希望独立搭建自己的 xiaozhi-esp32 后端服务，那么本项目非常适合您。

想看使用效果？请猛戳视频 🎥

---

警告 ⚠️

1、本项目为开源软件，本软件与对接的任何第三方API服务商（包括但不限于语音识别、大模型、语音合成等平台）均不存在商业合作关系，不为其服务质量及资金安全提供任何形式的担保。 建议使用者优先选择持有相关业务牌照的服务商，并仔细阅读其服务协议及隐私政策。本软件不托管任何账户密钥、不参与资金流转、不承担充值资金损失风险。

2、本项目功能未完善，且未通过网络安全测评，请勿在生产环境中使用。 如果您在公网环境中部署学习本项目，请务必做好必要的防护。

---

部署文档

本项目提供两种部署方式，请根据您的具体需求选择：

🚀 部署方式选择

部署方式	特点	适用场景	部署文档	配置要求	视频教程
最简化安装	智能对话、单智能体管理	低配置环境，数据存储在配置文件，无需数据库	①Docker版 / ②源码部署	本地跑 FunASR 较耗内存，全部走 API 时资源占用低	-
全模块安装	智能对话、多用户管理、多智能体管理、智控台界面操作	完整功能体验，数据存储在数据库	①Docker版 / ②源码部署 / ③源码部署自动更新教程	本地跑 FunASR 较耗内存，另需数据库资源，全部走 API 时资源占用低	本地源码启动视频教程

常见问题及相关教程，可参考这个链接

💡 提示：以下是按最新代码部署后的测试平台，有需要可烧录测试，并发为6个，每天会清空数据。

智控台地址: https://2662r3426b.vicp.fun
智控台(h5版): https://2662r3426b.vicp.fun/h5/index.html

服务测试工具： https://2662r3426b.vicp.fun/test/
OTA接口地址: https://2662r3426b.vicp.fun/xiaozhi/ota/
Websocket接口地址: wss://2662r3426b.vicp.fun/xiaozhi/v1/

🚩 配置说明和推荐

[!Note] 本项目提供两种配置方案：

1. 入门全免费配置：适合个人家庭使用，所有组件均采用免费方案，无需额外付费。

2. 流式配置：适合演示、培训、超过2个并发等场景，采用流式处理技术，响应速度更快，体验更佳。

自0.5.2版本起，项目支持流式配置，相比早期版本，响应速度提升约2.5秒，显著改善用户体验。

模块名称	入门全免费设置	流式配置
ASR(语音识别)	FunASR(本地)	👍XunfeiStreamASR(讯飞流式)
LLM(大模型)	glm-4-flash(智谱)	👍qwen-flash(阿里百炼)
VLLM(视觉大模型)	glm-4v-flash(智谱)	👍qwen3.5-flash(阿里百炼)
TTS(语音合成)	EdgeTTS(微软)	👍HuoshanDoubleStreamTTS(火山流式)
Intent(意图识别)	function_call(函数调用)	function_call(函数调用)
Memory(记忆功能)	mem_local_short(本地短期记忆)	mem_local_short(本地短期记忆)

如果您关心各组件的耗时，请查阅小智各组件性能测试报告，可按报告中的测试方法在您的环境中实际测试。

🔧 测试工具

本项目提供以下测试工具，帮助您验证系统和选择合适的模型：

工具名称	位置	使用方法	功能说明
音频交互测试工具	main》digital-human》index.html	在 main/digital-human 按其 README 装好依赖后执行 python start.py，然后访问 http://127.0.0.1:8006/index.html	测试音频播放和接收功能，验证Python端音频处理是否正常
模型响应测试工具	main》xiaozhi-server》performance_tester.py	执行 python performance_tester.py	测试ASR(语音识别)、LLM(大模型)、VLLM(视觉模型)、TTS(语音合成)等核心模块的响应速度

💡 提示：测试模型速度时，只会测试配置了密钥的模型。

---

功能清单 ✨

已实现 ✅

功能模块	描述
核心架构	基于MQTT+UDP网关、WebSocket、HTTP服务器，提供完整的控制台管理和认证系统
语音交互	支持流式ASR(语音识别)、流式TTS(语音合成)、VAD(语音活动检测)，支持多语言识别和语音处理
声纹识别	支持多用户声纹注册、管理和识别，与ASR并行处理，实时识别说话人身份并传递给LLM进行个性化回应
智能对话	支持多种LLM(大语言模型)，实现智能对话
视觉感知	支持多种VLLM(视觉大模型)，实现多模态交互
意图识别	支持外挂的大模型意图识别、大模型自主函数调用，提供插件化意图处理机制
记忆系统	支持本地短期记忆、mem0ai接口记忆、PowerMem智能记忆，具备记忆总结功能
知识库	支持RAGFlow知识库，让大模型判断需要调度知识库后再回答
工具调用	支持客户端IOT协议、客户端MCP协议、服务端MCP协议、MCP接入点协议、自定义工具函数
指令下发	依托MQTT协议，支持从智控台将MCP指令下发到ESP32设备
管理后台	提供Web管理界面，支持用户管理、系统配置和设备管理；界面支持中文简体、中文繁体、英文、德语、越南语、巴西葡萄牙语显示
测试工具	提供模型响应性能测试工具和音频交互测试工具
部署支持	支持Docker部署和本地部署，提供完整的配置文件管理
插件系统	支持功能插件扩展、自定义插件开发；新增插件文件在下次设备连接时自动加载，改动已加载插件的代码需重启服务

正在开发 🚧

想了解具体开发计划进度，请点击这里。常见问题及相关教程，可参考这个链接

如果你是一名软件开发者，这里有一份《致开发者的公开信》，欢迎加入！

---

产品生态 👬

小智是一个生态，当你使用这个产品时，也可以看看其他在这个生态圈的优秀项目

---

本项目支持的平台/组件列表 📋

LLM 语言模型

使用方式	支持平台	免费平台
OpenAI 接口调用	阿里百炼、火山引擎、DeepSeek、智谱、Gemini、科大讯飞、LM Studio	智谱、Gemini
ollama 接口调用	Ollama	-
dify 接口调用	Dify	-
fastgpt 接口调用	Fastgpt	-
coze 接口调用	Coze	-
xinference 接口调用	Xinference	-
homeassistant 接口调用	HomeAssistant	-

实际上，任何支持 OpenAI 接口调用的 LLM 均可接入使用。

---

VLLM 视觉模型

使用方式	支持平台	免费平台
OpenAI 接口调用	阿里百炼、智谱ChatGLMVLLM	智谱ChatGLMVLLM

实际上，任何支持 OpenAI 接口调用的 VLLM 均可接入使用。

---

TTS 语音合成

使用方式	支持平台	免费平台
接口调用	EdgeTTS、科大讯飞、火山引擎、腾讯云、阿里云及百炼、CosyVoiceSiliconflow、TTS302AI、CozeCnTTS、CustomTTS、OpenAITTS、MinimaxTTS	EdgeTTS、CosyVoiceSiliconflow(部分)
本地服务	FishSpeech、GPT_SOVITS_V2、GPT_SOVITS_V3、IndexStreamTTS、PaddleSpeechTTS	IndexStreamTTS、PaddleSpeechTTS、FishSpeech、GPT_SOVITS_V2、GPT_SOVITS_V3

---

VAD 语音活动检测

类型	平台名称	使用方式	收费模式	备注
VAD	SileroVAD	本地使用	免费

---

ASR 语音识别

使用方式	支持平台	免费平台
本地使用	FunASR、SherpaASR、SherpaParaformerASR、VoskASR	FunASR、SherpaASR、SherpaParaformerASR、VoskASR
接口调用	FunASRServer、火山引擎、科大讯飞、腾讯云、阿里云及百炼、百度云、OpenAI ASR、GroqASR、Qwen3ASRFlash	FunASRServer

---

Voiceprint 声纹识别

使用方式	支持平台	免费平台
接口调用	声纹识别服务（voiceprint-api）	-

声纹识别需要单独部署 voiceprint-api 服务（基于 3D-Speaker），并依赖 MySQL，详见声纹识别启用指南

---

Memory 记忆存储

类型	平台名称	使用方式	收费模式	备注
Memory	mem0ai	接口调用	1000次/月额度
Memory	powermem	本地总结	取决于LLM和DB	OceanBase开源，支持智能检索
Memory	mem_local_short	本地总结	免费
Memory	nomem	无记忆模式	免费

---

Intent 意图识别

类型	平台名称	使用方式	收费模式	备注
Intent	intent_llm	接口调用	根据LLM收费	通过大模型识别意图，通用性强
Intent	function_call	接口调用	根据LLM收费	通过大模型函数调用完成意图，速度快，效果好
Intent	nointent	无意图模式	免费	不进行意图识别，直接返回对话结果

---

Rag 检索增强生成

类型	平台名称	使用方式	收费模式	备注
Rag	ragflow	接口调用	根据切片、分词消耗的token收费	借助RagFlow的检索增强生成功能，提供更准确的对话回复

---

鸣谢 🙏

Logo	项目/公司	说明
	百聆语音对话机器人	本项目受百聆语音对话机器人启发，并在其基础上实现
	十方融海	感谢十方融海为小智生态制定了标准的通讯协议、多设备兼容性方案及高并发场景实践示范；为本项目提供了全链路技术文档支持
	玄凤科技	感谢玄凤科技贡献函数调用框架、MCP通信协议及插件化调用机制的实现代码，通过标准化的指令调度体系与动态扩展能力，显著提升了前端设备(IoT)的交互效率和功能延展性
	huangjunsen	感谢huangjunsen 贡献智控台移动端模块，实现了跨平台移动设备的高效控制与实时交互，大幅提升了系统在移动场景下的操作便捷性和管理效率
	汇远设计	感谢汇远设计为本项目提供专业视觉解决方案，用其服务超千家企业的设计实战经验，赋能本项目产品用户体验
	西安勤人信息科技	感谢西安勤人信息科技深化本项目视觉体系，确保整体设计风格在多场景应用中的一致性和扩展性
	代码贡献者	感谢所有代码贡献者贡献者，你们的付出让项目更加健壮和强大。