语音动作机器人：让会说话的小智动起来

你已经有了一个会说话的小智——喊它一声就醒，问它话它能答。可它是个"缸中之脑"：脑子转得挺好，身体一动不动，永远端坐在桌上。这个项目要做的，就是给它长出身体：你说"点个头"，它真的低头点一下；你说"转过来看我"，它把头转过来；你说"跟我打个招呼"，它抬起小手挥两下。会听会说的音箱，就此变成一台会听会说会动的桌面机器人。

它对你的意义，和前面那些"把两个知识点拼起来"的项目不太一样。这是一个贯穿项目——它要串起来的不是两个零件，而是你之前做过的两整条线：一条是「会说话的小智」（小智旗舰项目），另一条是「会动的机器人」（卷 R 的舵机运动）。 所以这一篇的重点不是从零教你怎么配 I2S、怎么调舵机——那些前面都讲透了——而是教你怎么把这两条各自成型的线，在中间接上一层，让说出来的话真的变成动作。

这层"中间接口"，就是 MCP。理解它在这里扮演什么角色，是这整个项目的题眼。

---

第一步：想清这台机器人的架构，再谈选型

动手前先把一件事钉死：你说一句"点个头"，从张嘴到低头，中间到底发生了什么。 想清这条链路，架构就出来了，选型也就有了依据。

把它拆成三段，正好对应三个"归谁管"：

1. 语音 → 意图（这段归 P5 的小智语音链路）。麦克风收音、本地唤醒、语音流上传、服务端 ASR 转文字、大模型理解——最后得到的不是一段音频，而是一个结构化的意图："用户想让我点头"。这一整条"听 → 醒 → 传 → 识 → 想"，你在小智旗舰里已经搭过，这里直接复用，一个字不重讲。

2. 意图 → 动作调用（这段归 MCP/Function Calling）。大模型想清"该点头了"之后，它不会自己去写控舵机的代码——它做的是调用一个你提前注册好的工具，比如 nod()。这一层就是 MCP 协议 和 Function Calling 的活：把"点头"这个硬件能力，描述成大模型能发现、能调用的一件工具。这是整台机器人的接缝，也是本项目真正的新东西。

3. 动作调用 → 舵机执行（这段归卷 R 的运动能力）。nod() 被调起来后，落到你真正控硬件的代码：驱动舵机按一条角度序列转动，完成"低头—抬头"这个动作。多舵机怎么协调、独立供电怎么接，你在机械臂项目和卷 R 里练过，这里同样复用。

三段一串，题眼就清楚了：P5 负责"听懂"，卷 R 负责"动手"，中间靠 MCP 这一层把"听懂的意图"翻译成"要调用哪个动作"。 这台机器人 90% 的零件你都做过，你要新建的，就是中间那一层薄薄的"翻译"。想更深理解为什么"大模型调硬件"是机器人的未来形态，可以先读 什么是具身智能——它讲清了"感知—理解—行动"这个闭环，本项目就是这个闭环最朴素的一台实物。

选型：在小智硬件上加动作

架构定了，选型就一句话：在你已有的小智硬件上，加上舵机和它的供电。

• 主控：直接用你做小智时那块 ESP32-S3 板子。它已经背着麦克风、喇叭、联网、语音链路，动作能力是加法，不用换主控。
• 动作机构：最简单的形态是一个舵机做点头（转头支架）；想更丰富就两三个舵机做"转身 + 点头 + 挥手"。舵机选型和机械臂一样——练手用 SG90，要带得动结构换 MG996R。
• 舵机驱动：单个舵机可以直接挂主控一个 PWM 脚；到三个以上、或想省主控引脚、想统一供电，就上 PCA9685（16 路 PWM，走 I2C，只占两根线）。
• 独立电源：这是本项目唯一必须严肃对待的选型——舵机绝不能和主控共用一路供电。 详见下一步接线。

BOM 的报价区间见页首 parts 表，一律以商城实际为准。

---

第二步：接线——舵机独立供电是这里的头号红线

语音那半边（麦克风、喇叭、联网）你做小智时已经接好、跑通了，这一步不动它。要新接的只有动作这半边：舵机 + 驱动 + 独立电源。接线不复杂，但有一条红线，踩了整台机器人都不稳。

接线骨架（以"主控 + PCA9685 + 独立 5V"为例）：

主控 ESP32-S3  ──I2C(SDA/SCL 两根线)──▶  PCA9685
                                          │
独立 5V/3A 电源 ──▶ PCA9685 的 V+/GND（专供舵机大电流）
                                          │
                                          ├─ 通道0 ──▶ 舵机1（点头）
                                          ├─ 通道1 ──▶ 舵机2（转身）
                                          └─ 通道2 ──▶ 舵机3（挥手）

共地：主控 GND ── PCA9685 GND ── 独立电源 GND  三者必须连到一起

• I2C 两根线：主控的 SDA/SCL 接 PCA9685 的 SDA/SCL，避开 S3 的选脚雷区（strapping 脚 GPIO0/3/45/46、flash 区 26-37、USB 脚 19/20、以及 S3 上根本不存在的 22-25），随手挑两根安全脚即可。
• 舵机供电：独立 5V 电源接 PCA9685 的 V+ / GND 端子，专门喂舵机。主控这边只通过 I2C 发指令，不给舵机供一分电。
• 共地是命门：主控、PCA9685、独立电源三者的 GND 必须连成一片。不共地，I2C 电平没有共同参考，信号会乱——这是新手最容易漏、又最难查的一根线。

只用单个舵机点头、不上 PCA9685 时，接法简化成：舵机信号线接主控一个安全 PWM 脚，舵机的红黑（正负）接独立 5V 电源，同样只和主控共 GND。

---

第三步：分步把"说话变动作"接起来

现在到本项目的核心。前面说过，语音链路（P5）和舵机执行（卷 R）你都有了，这一步只干一件事：把中间那层 MCP 接上，让大模型说出的意图，落到舵机的动作上。 我们分三步长出来，每步都能单独验证。

步 1：先把"点头"写成一个能被调用的动作函数

抛开语音，先让"点头"这个动作，作为一个普通函数能跑通。这一步纯是卷 R 的活——控舵机按一条角度序列转动，你练过。

// nod()：一个纯粹的动作函数，先不管谁来调它
// 让点头舵机从中位低下去、再抬回来，完成一次点头
#include "freertos/FreeRTOS.h"
#include "freertos/task.h"

#define NOD_CH        0        // 点头舵机在 PCA9685 的通道号
#define ANGLE_MID     90       // 抬头（中位）
#define ANGLE_DOWN    120      // 低头

// servo_set_angle(通道, 角度)：封装好的“把某通道舵机转到某角度”，
// 内部走 PCA9685 的 I2C 写占空比，实现见机械臂项目，这里当已有积木用
extern void servo_set_angle(int ch, int angle);

static void nod(void)
{
    servo_set_angle(NOD_CH, ANGLE_DOWN);      // 低头
    vTaskDelay(pdMS_TO_TICKS(300));
    servo_set_angle(NOD_CH, ANGLE_MID);       // 抬回
    vTaskDelay(pdMS_TO_TICKS(300));
}

你应该看到：在 app_main 里直接调一次 nod()，舵机低头再抬起，干净利落。看到这个，说明动作这一环独立可用了——这一步的意义就是把"舵机执行"隔离验证掉，后面接语音时出了问题，你能一口咬定不是这一层的锅。

turn()（转身）、wave()（挥手）都照 nod() 的模子写：无非是换个通道、换一串角度序列。挥手就是让手臂舵机在两个角度间来回摆两三下。把每个动作都封装成一个不带参数、调用即执行的小函数，是这一步的关键——因为下一步 MCP 要调的，正是这样一个个"招之即动"的动作。

步 2：把动作函数注册成 MCP 工具，让大模型能"看见"它

这是接缝所在。光有 nod() 函数还不够——大模型不知道它存在。你得按 MCP 的规矩，把这个动作描述给模型：它叫什么、干什么、什么时候该调。这样模型在"想"的那一步，就能自己决定"现在该调 nod 了"。

// 概念示意（非完整实现）：把三个动作注册成 MCP 工具
// 真实的注册格式以小智 xiaozhi-esp32 上游和 MCP 官方为准，这里只为“看见”结构
//
// 每个工具就是四件套：名字 + 描述 + 参数 + 执行
// 大模型靠“描述”判断该不该调、靠“名字”点名、靠“执行”落到你的动作函数

registerMcpTool({
  name: "nod",
  description: "让机器人点一下头，表示同意、打招呼或回应",
  params: {},                       // 点头不需要参数
  onCall: (args) => { nod();  return "已点头"; }
});

registerMcpTool({
  name: "turn",
  description: "让机器人转身/转头面向某个方向",
  params: { dir: "字符串：left 或 right" },   // 有参数：往哪转
  onCall: (args) => { turn(args.dir); return "已转向"; }
});

registerMcpTool({
  name: "wave",
  description: "让机器人挥手，用于打招呼或告别",
  params: {},
  onCall: (args) => { wave(); return "已挥手"; }
});

关键全在那层"注册"，不在 nod() 那一行。 nod() 是你步 1 早就写好的、控舵机的代码；MCP 干的是外面这层——用统一格式把这个能力描述出来，于是大模型在语音链路的"想（LLM）"那一环，就能把你说的"点个头"匹配到 nod 这个工具，自己发起调用。你从"写死 if-else 判断用户说了啥"，升级成了"把能力摆出来、让模型自己挑该调哪个"——这正是 Function Calling 和 Agent 思维的核心。

步 3：把动作嵌回语音链路，跑通"说 → 动"全程

到这一步，其实不需要你再写多少代码——因为语音链路（P5）已经会在"想"那一环调用注册好的 MCP 工具了。 你要做的是把三块拼到一起烧进去：小智固件（语音链路）+ 步 1 的动作函数 + 步 2 的工具注册。

数据流回顾一遍，你会发现每一环都是现成的，你只补了中间一小段：

你说“点个头”
  → 麦克风收音、本地唤醒          （P5 现成）
  → 语音流上传、ASR 转成文字       （P5 现成）
  → 大模型理解意图，决定调 nod 工具 （MCP 注册让它“看得见”nod ← 你补的）
  → onCall 落到 nod() 驱动舵机     （卷 R 现成）
  → 舵机低头抬头，机器人点了个头
  → TTS 回你一句“好的”            （P5 现成）

你应该看到：喊醒小智，说"点个头"，它一边（可能）回你一句"好的"，一边真的低头点了一下。第一次看到它因为你一句话而动起来，就是这个项目的高光时刻——你亲手把"会说"和"会动"焊成了一台会听会说会动的机器人。

到这里回头看，你写的新代码少得惊人：几个动作函数 + 一层工具注册。贯穿项目的功夫，从来不在写多少新代码，而在看清两条成型的线该在哪一层接、用什么接。 这一层接口，就是 project 比单篇 guide 多出来的那层功夫。想看这套"语音+动作"更完整的参考实现和形态取舍，语音+动作：把小智变成会动的桌面机器人 那篇讲得更细，可以对照着看。

---

第四步：调试——对不上就查这张表

贯穿项目链路长，出问题时最怕"面对一条全黑的链路干瞪眼"。分段验证的好处就在这——按下表对号入座，能一眼缩小范围到底是哪一段坏了。

现象	最可能的原因	归哪一段 / 怎么办
一说动作、板子就重启/断线	舵机和主控共用一路电，动作瞬间把主控电压拉垮	供电：舵机换独立 5V 电源，只共 GND，见第二步红线
说话它答得好好的，就是不动	动作函数没注册成 MCP 工具，或描述太窄模型没匹配上	MCP 层：确认工具已注册；把 description 写得更贴合口语（步 2）
单独调 nod() 也不动	舵机接线错/供电没到/通道号写错	动作层：先把语音撇开，单测步 1；查独立电源、共地、通道号
动作乱抖、转不到位	舵机供电不足、角度序列太急、PWM 频率不对	动作层：确认独立电源电流够；放慢角度序列；PCA9685 频率设 50Hz
模型总调错动作（说点头却挥手）	各工具的 description 写得含糊、区分度低	MCP 层：把每个动作的描述写得更专、更不重叠（步 2 tip）
I2C 通信失败 / 舵机全不响应	主控、PCA9685、独立电源三者没共地	接线：三方 GND 连成一片，这是最易漏的一根线
动作做一半被下一句话打断、卡住	动作在语音回调里同步阻塞，抢了链路的时间	架构：把动作放独立 FreeRTOS 任务里跑，别阻塞语音回调（见进阶）

---

第五步：从"能动的 demo"到"更像个机器人"

到这它已经会听会说会动了。但"能动"和"像个机器人"之间还差几步，正好通向更前沿的地方，给你指条路。

让动作和说话不打架

现在动作若写在语音回调里同步执行，做点头那 600 毫秒，链路是卡住的——下一句话可能被吞掉。更好的做法是把动作丢进一个独立的 FreeRTOS 任务去跑：MCP 的 onCall 只负责"往动作队列里塞一个'点头'任务"就立刻返回，真正的舵机转动在后台任务里慢慢做。这样它能一边点头一边继续听你说话，像个真的在多线并行的机器人。这套"背景行为独立成任务"的骨架，你在触摸台灯里就见过。

加更复杂的动作和视觉

三个单动作只是起点。你可以把动作组合成序列——"打招呼"= 转身面向你 + 挥手 + 点头，注册成一个 greet() 工具让模型一次调用。再往上，给它加个摄像头（串到 AI 摄像头项目），让它"看见"你在哪、转头看向你——这时它就从"听指令动"进化到"感知环境自己决定动"，真正踏进具身智能的门槛。

串到卷 R，把"身体"做深

本项目的动作还很朴素。想把机器人的"身体"这条线做深——多自由度协调、运动学、平衡控制、乃至大模型直接规划连续动作——那是卷 R（R6 具身智能） 整条线的内容。这台会说会动的小智，正是你进入卷 R 的最佳起点：它已经把"大模型 → 动作"的接口打通了，往后你在这套骨架上加多复杂的身体都行。系统了解具身智能这个方向，回看 什么是具身智能 和机器人专题 /robot/。

---

小结 · 你做出了什么、下一步去哪

• 你做出了一台会听、会说、会动的桌面机器人——说"点个头"它真的点头，把"会说话的小智"（P5 小智旗舰）和"会动的机器人"（卷 R 舵机运动）两条成型的线，第一次串成了一件成品。
• 你看清了这台机器人的贯穿架构：P5 负责"听懂"、卷 R 负责"动手"，中间靠 MCP / Function Calling 这一层，把"听懂的意图"翻译成"该调哪个动作工具"。你写的新代码极少——几个动作函数加一层工具注册，功夫全在"看清两条线在哪接、用什么接"。
• 你踩过并避开了贯穿项目的三大坑：舵机独立供电（不然主控被拉垮重启）、三方共地（不然 I2C 乱）、动作别阻塞语音回调（丢进独立任务并行跑）。

下一步：想让它从"听指令动"进化到"看见环境自己决定动"，给它加摄像头、串 AI 摄像头项目；想把"身体"这条线做深——多关节协调、运动规划、平衡——顺着卷 R（R6 具身智能） 走，参考 语音+动作那篇 和机器人专题 /robot/。回看全部实战项目见项目总览。这台会说会动的小智，是你手里最值得继续喂养的一台——它已经把"大模型指挥硬件"这道最关键的接口焊通了，剩下的，是让它的身体越来越强。