DIY系YouTubeチャンネル「Huy Vector」が、指2本ほどの大きさで会話するAIアシスタントを公開した。真鍮パイプと銅線を手作業で組んだ枠に基板を収め、充電池を積むため持ち歩ける。
動画では、話しかけると照明を操作する様子を見せる。「アクアリウムの照明をつけて」と言えば水槽の照明が入り、続けてスタジオの照明も点灯する。ニューヨークの天気を尋ねると晴れで19℃と答え、音量を100％に上げるよう頼めば「近所に一声かけたほうがいい」と軽口をたたく。
中身はESP32-C3と0.96インチのOLED、マイクとスピーカーだ。ほかにMAX98357Aのオーディオアンプと、USB Type-Cの充電モジュールが入る。外装の真鍮パイプは外径1.5mm、銅線は1mmを使う。
AIの処理はXiaozhiというフレームワークに任せる。ESP32向けのチャットボットで、MITライセンスのオープンソースだ。QwenやDeepSeekといった大規模言語モデルの機能を呼び、MCPというプロトコルで機器を操作する。既定では開発元のサーバーへ接続し、個人利用者は登録すればQwenの実時間モデルを無料で使える。
Xiaozhi自体は対応範囲が広い。ESP32とC3、C5、C6、S3、P4の各チップで動く。ESP-SRを使えばインターネットにつながずに起動語を検出できる。話者を識別する機能や39の表示言語も持ち、端末側でスピーカーやLED、サーボを直接制御できる。自前のサーバーを立てる選択肢もある。PythonやJava、Golangの実装が出ている。
書き込みはブラウザーからできる。開発環境を用意せずに済む書き込み用のプログラムが配布されており、スマートホームの制御にはESPHomeを使う。部品リストと配線図、セットアップ手順は製作者のWebサイトに掲載している。
