mirror of
https://github.com/xinnan-tech/xiaozhi-esp32-server.git
synced 2026-07-22 15:13:55 +08:00
245 lines
9.9 KiB
Markdown
245 lines
9.9 KiB
Markdown
|
||
|
||
# 小智 ESP-32 后端服务(xiaozhi-esp32-server)
|
||
|
||
（中文 | [English](README_en.md)）
|
||
|
||
本项目为开源智能硬件项目 [xiaozhi-esp32](https://github.com/78/xiaozhi-esp32)
|
||
提供后端服务。根据 [小智通信协议](https://ccnphfhqs21z.feishu.cn/wiki/M0XiwldO9iJwHikpXD5cEx71nKh) 使用 `Python` 实现。
|
||
|
||
---
|
||
|
||
## 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。
|
||
|
||
跳转到[使用方式](#使用方式-)
|
||
|
||
想看使用效果？请猛戳这个视频 🎥
|
||
|
||
<a href="https://www.bilibili.com/video/BV1FMFyejExX">
|
||
<picture>
|
||
<img alt="小智esp32连接自己的后台模型" src="docs/images/demo.png" />
|
||
</picture>
|
||
</a>
|
||
|
||
---
|
||
|
||
## 系统要求与部署前提 🖥️
|
||
|
||
- **硬件**：一套兼容 `xiaozhi-esp32`
|
||
的硬件设备（具体型号请参考 [此处](https://rcnv1t9vps13.feishu.cn/wiki/DdgIw4BUgivWDPkhMj1cGIYCnRf)）。
|
||
- **服务器**：至少 4 核 CPU、8G 内存的电脑或服务器。
|
||
- **固件编译**：请将后端服务的接口地址更新至 `xiaozhi-esp32` 项目中，再重新编译固件并烧录到设备上。
|
||
|
||
---
|
||
|
||
## 警告 ⚠️
|
||
|
||
本项目成立时间较短，还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，请务必在配置文件 `config.yaml` 中开启防护：
|
||
|
||
```yaml
|
||
server:
|
||
auth:
|
||
# 开启防护
|
||
enabled: true
|
||
```
|
||
|
||
开启防护后，您需要根据实际情况校验机器的 token 或 mac 地址，详细请参见配置说明。
|
||
|
||
---
|
||
|
||
## 功能清单 ✨
|
||
|
||
### 已实现 ✅
|
||
|
||
- **通信协议**
|
||
基于 `xiaozhi-esp32` 协议，通过 WebSocket 实现数据交互。
|
||
- **对话交互**
|
||
支持唤醒对话、手动对话及实时打断。长时间无对话时自动休眠
|
||
- **多语言识别**
|
||
支持国语、粤语、英语、日语、韩语（默认使用 FunASR）。
|
||
- **LLM 模块**
|
||
支持灵活切换 LLM 模块，默认使用 ChatGLMLLM，也可选用阿里百炼、DeepSeek、Ollama 等接口。
|
||
- **TTS 模块**
|
||
支持 EdgeTTS（默认）、火山引擎豆包 TTS 等多种 TTS 接口，满足语音合成需求。
|
||
|
||
### 正在开发 🚧
|
||
|
||
- 对话记忆功能
|
||
- 多种心情模式
|
||
- 智控台webui
|
||
|
||
|
||
---
|
||
|
||
## 本项目支持的平台/组件列表 📋
|
||
|
||
### LLM
|
||
|
||
| 类型 | 平台名称 | 使用方式 | 收费模式 | 备注 |
|
||
|:---:|:------------------:|:-----------:|:--------:|:-----------------------------------------------------------------:|
|
||
| LLM | 阿里百炼 (AliLLM) | openai 接口调用 | 消耗 token | [点击申请密钥](https://bailian.console.aliyun.com/?apiKey=1#/api-key) |
|
||
| LLM | 深度求索 (DeepSeekLLM) | openai 接口调用 | 消耗 token | [点击申请密钥](https://platform.deepseek.com/) |
|
||
| LLM | 智谱（ChatGLMLLM） | openai 接口调用 | 免费 | 虽然免费，仍需[点击申请密钥](https://bigmodel.cn/usercenter/proj-mgmt/apikeys) |
|
||
| LLM | OllamaLLM | ollama 接口调用 | 免费/自定义 | 需预先下载模型（`ollama pull`），服务地址：`http://localhost:11434` |
|
||
| LLM | DifyLLM | dify 接口调用 | 消耗 token | 本地化部署，注意配置提示词需在 Dify 控制台设置 |
|
||
| LLM | GeminiLLM | gemini 接口调用 | 免费 | [点击申请密钥](https://aistudio.google.com/apikey) |
|
||
| LLM | CozeLLM | coze 接口调用 | 消耗 token | 需提供 bot_id、user_id 及个人令牌 |
|
||
|
||
实际上，任何支持 openai 接口调用的 LLM 均可接入使用。
|
||
|
||
---
|
||
|
||
### TTS
|
||
|
||
| 类型 | 平台名称 | 使用方式 | 收费模式 | 备注 |
|
||
|:---:|:----------------------:|:----:|:--------:|:-------------------------------------------------------------------------:|
|
||
| TTS | EdgeTTS | 接口调用 | 免费 | 默认 TTS，基于微软语音合成技术 |
|
||
| TTS | 火山引擎豆包 TTS (DoubaoTTS) | 接口调用 | 消耗 token | [点击创建密钥](https://console.volcengine.com/speech/service/8)；建议使用付费版本以获得更高并发 |
|
||
| TTS | CosyVoiceSiliconflow | 接口调用 | 消耗 token | 需申请硅基流动 API 密钥；输出格式为 wav |
|
||
| TTS | CozeCnTTS | 接口调用 | 消耗 token | 需提供 Coze API key；输出格式为 wav |
|
||
| TTS | FishSpeech | 接口调用 | 免费/自定义 | 本地启动 TTS 服务；启动方法见配置文件内说明 |
|
||
| TTS | GPT_SOVITS_V2 | 接口调用 | 免费/自定义 | 本地启动 TTS 服务，适用于个性化语音合成场景 |
|
||
|
||
---
|
||
|
||
### VAD
|
||
|
||
| 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
|
||
|
||
| 类型 | 平台名称 | 使用方式 | 收费模式 | 备注 |
|
||
|:---:|:------:|:----:|:----:|:--:|
|
||
| ASR | FunASR | 本地使用 | 免费 | |
|
||
|
||
---
|
||
|
||
## 使用方式 🚀
|
||
|
||
### 一、[部署文档](./docs/Deployment.md)
|
||
|
||
1.
|
||
*
|
||
|
||
*[本地源码运行](./docs/Deployment.md#%E6%96%B9%E5%BC%8F%E4%B8%89%E6%9C%AC%E5%9C%B0%E6%BA%90%E7%A0%81%E8%BF%90%E8%A1%8C)
|
||
**
|
||
适合熟悉 Conda 环境或希望从零搭建运行环境的用户。
|
||
对于对响应速度要求较高的场景，推荐使用本地源码运行方式以降低额外开销。
|
||
|
||
### 二、[固件编译](./docs/firmware-build.md)
|
||
|
||
点这里查看[固件编译](./docs/firmware-build.md)的详细过程。
|
||
|
||
编译成功且联网成功后，通过唤醒词唤醒小智，留意server端输出的控制台信息。
|
||
|
||
---
|
||
|
||
## 常见问题 ❓
|
||
|
||
### 1、TTS 经常失败，经常超时 ⏰
|
||
|
||
建议：如果 `EdgeTTS` 经常失败，请先检查是否使用了代理（梯子）。如果使用了，请尝试关闭代理后再试；
|
||
如果用的是火山引擎的豆包 TTS，经常失败时建议使用付费版本，因为测试版本仅支持 2 个并发。
|
||
|
||
### 2、我想通过小智控制电灯、空调、远程开关机等操作 💡
|
||
|
||
建议：在配置文件中将 `LLM` 设置为 `DifyLLM`，并通过 `Dify` 编排智能体来实现相关控制。
|
||
|
||
### 3、我说话很慢，停顿时小智老是抢话 🗣️
|
||
|
||
建议：在配置文件中找到如下部分，将 `min_silence_duration_ms` 的值调大（例如改为 `1000`）：
|
||
|
||
```yaml
|
||
VAD:
|
||
SileroVAD:
|
||
threshold: 0.5
|
||
model_dir: models/snakers4_silero-vad
|
||
min_silence_duration_ms: 700 # 如果说话停顿较长，可将此值调大
|
||
```
|
||
|
||
### 4、如何提高小智对话响应速度？ ⚡
|
||
|
||
本项目默认配置为低成本方案，建议初学者先使用默认免费模型，解决“跑得动”的问题，再优化“跑得快”。
|
||
如需提升响应速度，可尝试更换各组件。以下为各组件的响应速度测试数据（仅供参考，不构成承诺）：
|
||
|
||
| 影响因素 | 因素值 |
|
||
|:-----:|:----------------:|
|
||
| 测试地点 | 广东省广州市海珠区 |
|
||
| 测试时间 | 2025年2月19日 12:52 |
|
||
| 宽带运营商 | 中国联通 |
|
||
|
||
测试方法：
|
||
|
||
1、把各组件的密钥配置上去，只有配置了密钥的组件才参与测试。
|
||
|
||
2、配置完密钥后，执行以下方法
|
||
|
||
```
|
||
# 进入项目根目录，执行以下命令：
|
||
conda activate xiaozhi-esp32-server
|
||
python performance_tester.py
|
||
```
|
||
|
||
生成报告如下
|
||
|
||
LLM 性能排行:
|
||
|
||
| 模块名称 | 平均首Token时间 | 平均总响应时间 |
|
||
|:-----------|:-----------|:--------|
|
||
| AliLLM | 0.547s | 1.485s |
|
||
| ChatGLMLLM | 0.677s | 3.057s |
|
||
| OllamaLLM | 0.003s | 0.003s |
|
||
|
||
TTS 性能排行:
|
||
|
||
| 模块名称 | 平均合成时间 |
|
||
|----------------------|--------|
|
||
| EdgeTTS | 1.019s |
|
||
| DoubaoTTS | 0.503s |
|
||
| CosyVoiceSiliconflow | 3.732s |
|
||
|
||
推荐配置组合 (综合响应速度):
|
||
|
||
| 组合方案 | 综合得分 | LLM首Token | TTS合成 |
|
||
|-------------------------------|-------|-----------|--------|
|
||
| AliLLM + DoubaoTTS | 0.539 | 0.547s | 0.503s |
|
||
| AliLLM + EdgeTTS | 0.642 | 0.547s | 1.019s |
|
||
| ChatGLMLLM + DoubaoTTS | 0.642 | 0.677s | 0.503s |
|
||
| ChatGLMLLM + EdgeTTS | 0.745 | 0.677s | 1.019s |
|
||
| AliLLM + CosyVoiceSiliconflow | 1.184 | 0.547s | 3.732s |
|
||
|
||
### 结论 🔍
|
||
|
||
`2025年2月19日`，如果我的电脑在`广东省广州市海珠区`，且使用的是`中国联通`网络，我会优先使用：
|
||
|
||
- LLM：`AliLLM`
|
||
- TTS：`DoubaoTTS`
|
||
|
||
### 5、更多问题，可联系我们反馈 💬
|
||
|
||
|
||
|
||
---
|
||
|
||
## 鸣谢 🙏
|
||
|
||
- 本项目受 [百聆语音对话机器人](https://github.com/wwbin2017/bailing) 启发，并在其基础上实现。
|
||
- 感谢 [腾讯云](https://cloud.tencent.com/) 提供免费 Docker 镜像空间。
|
||
- 感谢 [十方融海](https://www.tenclass.com/) 对小智通讯协议提供的详尽文档支持。
|
||
|
||
<a href="https://star-history.com/#xinnan-tech/xiaozhi-esp32-server&Date">
|
||
<picture>
|
||
<source media="(prefers-color-scheme: dark)" srcset="https://api.star-history.com/svg?repos=xinnan-tech/xiaozhi-esp32-server&type=Date&theme=dark" />
|
||
<source media="(prefers-color-scheme: light)" srcset="https://api.star-history.com/svg?repos=xinnan-tech/xiaozhi-esp32-server&type=Date" />
|
||
<img alt="Star History Chart" src="https://api.star-history.com/svg?repos=xinnan-tech/xiaozhi-esp32-server&type=Date" />
|
||
</picture>
|
||
</a> |