AI活用

すべてAliExpressやAmazonなどのネットショップで買えます。価格は2026年10月時点のおおよその範囲で、販売店・送料・為替によって変わります。合計は100ドル未満なので、余ったお金で予備の配線や部品を買っておくと安心です。

電源を切ったままつなぎます。マイクとアンプのピンはxiaozhiファームウェアのESP32-S3-CAMブレッドボード設定と同じなので、そのまま使えます。カメラはボードの平たいコネクターに差し込むだけです。GNDはすべて1つにまとめます。

• マイク INMP441 I2S

  WS

  GPIO 1

  SCK

  GPIO 2

  SD

  GPIO 42

  VDD

  3V3

  L/R · GND

  GND

• アンプ MAX98357A I2S

  DIN

  GPIO 39

  BCLK

  GPIO 40

  LRC

  GPIO 41

  VIN · SD

  5V

  GND

  GND

• モータードライバー DRV8833 / TB6612FNG

  AIN1

  GPIO 21

  AIN2

  GPIO 47

  BIN1

  GPIO 14

  BIN2

  GPIO 38

  VM

  7.4V (18650 ×2)

  GND

  GND

• 電圧変換器 5V 3A buck converter

  IN

  7.4V (18650 ×2)

  OUT 5V

  ESP32-S3 5V · MAX98357A VIN

  GND

  GND

モーターのピンは、画面（LCD）やランプを付けないときに空くピンから選んだ例です。ボードによって違うことがあるので、ボードに印刷されたピン名を必ず確認し、起動に使うGPIO 0・3・45・46と、メモリが使うGPIO 35〜37は避けます。ファームウェアのモーターピンも同じ番号に合わせます。

1. 部品を注文する

   上のリストのとおりに注文します。ボードはPSRAM 8MB（N16R8）のESP32-S3カメラボードを選びます。海外からの配送は時間がかかることがあるので、予備の配線も一緒に買っておきます。

2. 車体を組み立てる

   2輪キットの説明書どおりに、板にモーター・車輪・補助輪・電池ケースをねじで取り付けます。ボード・マイク・アンプはブレッドボードに差し込んで、板の上に載せます。

3. 配線する

   上のピン配置のとおりに線をつなぎます。電池の+は電源スイッチを通ってモータードライバー（VM）と電圧変換器へ、変換器の5Vはボードとアンプへつなぎます。電源を入れる前に、+と−が逆になっていないかもう一度確認します。

4. ファームウェアを書き込む

   オープンソースの音声AIファームウェアxiaozhi-esp32を、USBでボードに書き込みます。最初はChromeのWebフラッシャーで出来上がったファイルを書き込むのがいちばん簡単です。自分でビルドするなら、ESP-IDFでカメラ付きのブレッドボード用ボード（bread-compact-wifi-s3cam）を選びます。

5. Wi-Fiと頭脳をつなぐ

   スマホで、ロボットが作るXiaozhi-で始まるWi-Fiに接続し、http://192.168.4.1 で自宅のWi-Fi（2.4GHz）を入力します。ロボットが6桁の番号を読み上げたら、xiaozhi.meのコンソールに登録し、名前・声・言語・AIモデルを選びます。

6. 動きの道具を作る

   ボードのフォルダーをコピーして自分のロボット用ボードを作り、車輪を回すself.car.moveと止めるself.car.stopをMCPの道具として登録します（下のコード）。これで「少し前に進んで」と言うと、AIがその道具を呼び出します。

7. 試してみる

   呼びかけの言葉を言うか、ボードのボタンを押して会話を始めます。「前に何が見える？」と聞くと、カメラの標準の道具（self.camera.take_photo）で写真を撮って答えます。最初は車輪を床から浮かせたまま動きを試します。

どの方法でも、AIのAPIキーはロボットに入れず、サーバーだけに置きます。ロボットが持つのは機器の番号だけです。

1. xiaozhi.me — いちばん簡単な始め方

   xiaozhiの公式サーバーです。機器の番号を登録すればすぐに会話でき、個人は無料で使えます（条件は変わることがあります）。ただし中国で運営されているサーバーなので、声と写真はそこへ送られます。

2. 自分のサーバー — 好きなAIを選ぶ

   オープンソースのxiaozhi-esp32-serverをDockerで自分のサーバーに立ち上げ、ファームウェアのサーバーアドレスを変えます。音声認識・LLM（OpenAI・Gemini・DeepSeek・Ollamaなど）・音声合成・画像認識モデルを自分で選べ、声と写真は自分のサーバーを通ります。

3. リアルタイム音声AI — いちばん自然な会話

   ElatoAIのように、OpenAI Realtime APIに直接つなぐ方法です。聞く・考える・話すを1つのモデルが行うので、返事が速く自然です（往復2秒未満）。ただし、話した時間の分だけ料金がかかります。

xiaozhiファームウェアには、ロボットの体の中にMCPサーバーがあります。下のように道具の名前・説明・受け取る値を登録すると、AIが会話中にその説明を読み、ちょうどよいときに道具を呼び出します。Drive()は上のモーターピン4つをオン・オフする短い関数で、決めた時間が過ぎるとモーターを止めます。

// main/boards/my-robot-car/ (copy of bread-compact-wifi-s3cam)
auto& mcp = McpServer::GetInstance();

mcp.AddTool("self.car.move",
    "Drive the robot car. direction: forward, backward, left, right. ms: 100-3000",
    PropertyList({
        Property("direction", kPropertyTypeString),
        Property("ms", kPropertyTypeInteger, 100, 3000),
    }),
    [this](const PropertyList& p) -> ReturnValue {
        Drive(p["direction"].value<std::string>(), p["ms"].value<int>());
        return true;   // Drive() stops the motors when the time is up
    });

mcp.AddTool("self.car.stop", "Stop the motors now", PropertyList(),
    [this](const PropertyList&) -> ReturnValue { Stop(); return true; });

1. 動画のように歩くロボット

   参考動画のSesameロボットは、ESP32ボードとMG90Sサーボ8個、表情を見せる小さなOLED画面で、4本の脚で歩きます（部品代は約50〜60ドル、3Dプリンターとはんだ付けが必要）。マイク・カメラ・AIは付いていないので、ボードをESP32-S3に替えてマイクとアンプを足せば、同じ方法で頭脳を付けられます。

   出典 参考動画

2. Raspberry Pi Zero 2 W

   この15ドルのLinuxコンピューターに、カメラと同じマイク・アンプを付ければ、PythonからAI APIやOpenCVを直接使えます（合計約60〜95ドル）。できることは多いですが、起動が遅く、電気を多く使います。

3. キットから始める

   部品選びが難しければ、Keyestudio KS5028のように、ESP32-S3カメラボード・マイク・スピーカーがセットになったxiaozhiキットでまず会話を試し、そのあと車輪とモータードライバーを足してもかまいません。