我看到一篇不错的文章分享给大家

无论是芙宁娜、艾美丽亚还是雷电将军，任何你喜欢的角色，例如哪吒，都可以直接嵌入这款智能硬件中。它能以角色原声与你对话，甚至继承角色记忆，与你畅谈剧本之外的剧情。

这款能扮演任何角色、陪伴在你身边的聊天机器人，你是否想亲手制作一个？

要制作AI陪聊机器人，可分为三个步骤：硬件准备、后端服务部署和程序上线。其底层基于小智AI聊天机器人开源项目，原理并不复杂。

具体流程如下： 1. 用户通过智能硬件麦克风输入语音。 2. 硬件本地处理音频并转换为文本。 3. 将文本传输至服务器后端。 4. 后端服务接收数据后，利用服务端的AI大模型进行处理，生成应答文本。 5. 通过音频合成技术转换为语音。 6. 最终回传至智能硬件完成交互。

其中，音频转文字的步骤可置于云端处理

智能硬件和服务器后端均可处理相关任务。建议优先选择项目已支持的开源硬件或直接购买成品硬件，以避免适配问题并降低开发成本。后端服务需提前准备两项核心技术：AI大模型和AI声音克隆。

在AI大模型的选择方面，若需进行特定话题的交互，可使用ollama在本地电脑部署uncensored版本模型。但需注意，该方案对硬件配置要求较高，显存低于16GB的显卡不建议尝试，否则会出现较高延迟。

通义千问3一口气开源了8款混合推理模型，效果显著。其中旗舰版235B模型仅需4张H20显卡即可完成本地部署，成本仅为DeepSeek-R1的35%，实现了小体积高性能。

该系列包含两个大参数的MOE模型，通过专家分工提升效率；以及6个小参数的Dense模型，适用于轻量化场景，兼顾深度与速度，满足不同需求。

全系列覆盖完整尺寸，并支持119种语言和方言处理。用户可通过下载ollama实现简便的本地部署。

然后，通过 Ollama 运行 Qwen3-32B 模型并下载对应尺寸的模型文件。在24GB显存的GPU上，32B参数版本的大模型能够流畅运行，每秒可处理超过24个 token。

该32B参数版本在各项评测指标上均优于 DeepSeek-R1 模型，性能提升达166%。

也就是说，如果你的机器性能足够强大，在消费级显卡上也能轻松运行媲美Deepseek-R1的Qwen3-32B模型，用它来进行角色扮演更是轻而易举。

欧拉玛的详细教程可以参考我之前发布的视频。若本地机器性能不足，建议直接使用阿里云百炼平台的通义千问Plus和通义千问Turbo。

这两款模型均已升级至通义千问3，属于阿里云独家的大模型。通义千问Plus是一款性能均衡的模型，而通义千问Turbo则主打运行速度快的特点。

使用百炼平台的最大优势在于，您可以定制专属的Agent工作流，并快速同步RIG知识库。我们可以高效部署个性化Agent，使其具备智能角色扮演能力，同时支持对接各类第三方服务

目前已经支持50多家的MCP服务，可以让你搭建的智能体更加强大。新用户开通阿里云百炼后，还可以拥有每个模型100万免费tokens。如果想尝试跟我一起做一个AI配料机器人，可以试试这个平台。

比如我们创建一个哪吒Agent，选择新增应用，选择通义千问3模型，输入提示词。

你是《哪吒之魔童闹海》中的哪吒，请扮演该角色。点击优化按钮后，系统将自动完成提示词设定。

如果你想为他添加特定知识，可以将这些知识存入TXT文本文件，通过知识库的形式导入。系统支持接入MCP服务，也可调用各类插件。

例如，若希望哪吒能根据当地天气提醒穿衣搭配，只需接入相应插件并在提示词中添加对应功能即可。此外，你还可以启用长期记忆功能，保存聊天记录中的所有细节。

完成设置后，可在右侧进行实时调试，验证输出结果是否符合预期。

无论是哪吒还是其他角色，设计完成后选择发布，即可通过API访问该服务。

记住这个黑科技，后续会用到。点击查看API即可查看相应的调试代码。

这样，AI大模型就准备就绪了。接下来，若想训练一个自己的声音克隆模型，可以使用本地部署的GPT-SoVITS进行声音克隆。

该算法支持用户自由训练音色，对硬件性能要求较低，仅需配备8GB显存的显卡即可运行。目前开源作者已提供Windows平台的整合安装包。

下载整合包并解压，运行此BAT批处理文件。

接下来，请准备一段用于音色复刻的音频样本。在本例中，我使用的是哪吒的音频片段。

使用该软件进行训练时，可参考我的相关视频教程。

这里就不再追述了。

训练完成后，可在推理页面测试效果。这是一个基于WebUI的推理界面，需启动API服务并定位相应的config文件。

Pypage文件。

将SoVITS weights和GPT weights替换为我们训练好的模型文件。

这两个文件是我训练哪吒音频后得到的模型文件，随后需要定位API接口。

Python文件包含若干运行参数。

DR表示参考音频路径，DT为参考音频对应的文本，DR是默认音频语种。例如，将一段音频拷贝至API即可。

在Python的根目录下，打开命令行工具并进入该服务的根目录。

指定音频文件并输入对应的文本内容，选择中文语种后回车运行。若显示当前页面，则表明API服务已成功启动。

接下来，将Kolong小致ESP32-server项目克隆至本地，该项目提供详细的图文教程，支持通过Docker进行部署。

或者本地源码运行，我选择的是本地源码运行，根据教程配置开发环境。

安装必要的第三方依赖项。

下载语音识别模型文件后，将音频文件放置于指定目录即可。

返回服务根目录，创建Data文件夹，将Cafe page文件复制至Data目录中，并重命名文件以添加前缀点。

打开该配置文件中设备的 tokens 和 name 参数。

你可以进行自定义设置，然后在此处配置LM。我们调用AliLM时，需在AliLM配置中填写之前记录的API密钥。接下来是TTS语音合成模块的配置。

我用的是GPT-SoVITS V3。

将此处参数”Auto”修改为”ZN中文”，并指定参考音频文件及其对应的参考文本Python API。

启动Python服务后，若出现前缀为WSS的连接，则表明服务已成功启动。请保存该连接以备后续使用。

至此，距离成功仅剩最后一步。接下来，我们需要下载ESP-IDF烧录工具来完成程序烧录

该程序已集成至硬件设备中，只需插入硬件即可使用。

在设备管理器中查看COM端口，若显示正常则表明连接成功；若未识别，则需进一步排查。

请安装文档中的驱动文件，随后使用ESP命令行工具进入工程根目录。

我们需要先设置芯片型号。例如，若使用ESP32-S3，则需输入IDF指令。

配置 pySetTargetESP32S3 后输入 IDF，执行 pyMenuConfig 开始编译。进入小致 ESP32 服务器选项，选择连接类型。

选择WebSocket并确认。

输入已部署的WebSocket URL前缀并保存退出，随后在上级目录中选择NEU Board Type。

根据您的开发板型号选择相应的配置。

这取决于您所使用的固件。完成配置后，按下键盘的S键，然后按ESC键退出IDF。

PowerShell开始执行编译流程，此过程预计耗时数分钟，最终将由ESP-IDF完成构建。

将pybuildflashmonitor烧录程序写入我们的智能硬件中，若一切顺利