机器人到货第二天下午，就有人拿它搭了一套自己的语音智能体：机身是 M5Stack StackChan，配 CoreS3（ESP32-S3），从语音到大脑全是本地跑。
语音服务器用 xiaozhi-esp32-server 0.9.6，本地 Docker 跑在 Mac 上。语音本身也全在本地：Gradium 的 Phonon 做语音合成，作者说这是他用过最快的本地语音，比走 ElevenLabs API 还快，而且免费；停顿检测用 Silero VAD，0.8 秒没声就判定一句话说完；语音识别用本地 Parakeet；视觉交给本地 Ollama 跑的 Gemma 4。
大脑是 Nous 的 Hermes Agent，跑 nous-girl agent，接 gpt-6-luna，推理关掉。整套下来，听、说、看、想都不用上云。作者说目前已经相当稳了，只剩一些微调，之后会继续发进展。想照着搭的，可以按这份清单逐项对：硬件一块 CoreS3，服务端一个 Docker，语音三件套加一个本地视觉模型，再挂一个 Hermes 当大脑。
正文完