小智自建后端 xiaozhi-server：用 Docker 把服务端跑在自己机器上
本文讲解原理与流程、引用关键片段并注明出处，版权归原作者，遵循其开源协议；一切以上游仓库最新版本为准。
上一节对话链路（dialog）里，你第一次让盒子答上了话。但那句回答是从哪儿冒出来的？大概率是官方或某个公共服务器帮你算的——你的语音上传到别人那里，识别、思考、合成全在那边完成，你的设备只是个"收发口"。这一节我们把这颗大脑搬回来：在你自己的机器上用 Docker 起一整套服务端，让小智只跟你说话。
这是设备端固件（78/xiaozhi-esp32）之外的另一半拼图。前面几节拆的都是设备这端——刷固件、录音、联网、对话；服务端这一格，靠的是另一个开源项目：xinnan-tech/xiaozhi-esp32-server。两个仓库，一个跑在你手里的板子上，一个跑在你的服务器上，合起来才是完整的小智。
这是开源学习解读，不是搬运。 本篇涉及两个上游仓库：设备端 78/xiaozhi-esp32 与服务端 xinnan-tech/xiaozhi-esp32-server，均遵循 MIT 协议开放，版权归各自作者与社区贡献者。这里只讲服务端是什么、为什么自建、部署的概念流程；具体镜像名、命令、配置项一律以仓库 README 最新版为准，本文不搬运整套配置、也不编造命令。两个仓库地址见本页底部开源引用块。动手前先读免责声明。
为什么要自建：不依赖公共服务器的三个理由
自建后端不是入门必修，是当你开始在意下面这几件事时才该走的一步。这几笔账 L4 自建后端那节算得更细，这里只挑和"聚焦服务端"最相关的三条快讲。
成本自己拼。 用公共服务，每次对话的账单结构和单价都是别人定的。自建之后，服务器规格你自己选，模型档位你自己挑——简单问题走便宜甚至本地模型，复杂的才上贵的。一个被频繁唤醒的设备，长期下来这笔差价不小。自建不等于免费（服务器、电、云模型 token 都要花钱），但"花在哪、花多少"的决定权回到了你手里。
隐私链路你管。 用公共服务，你说的每句话都要先到第三方转一圈。自建之后，这条链路的中枢在你自己的机器上——数据先到你这儿，哪些再转给云模型、哪些留在本地，由你定。如果识别和合成都用本地方案，理论上整段对话可以不出你的网络。
整条链路可控。 设备直连公共服务器是个黑盒：慢了、错了、断了你只能干等。后端在自己手里，日志你看得到、配置你改得动、要加功能你接得上。从"用户"变成"运维者"，是从玩通一个 demo 到掌握一套系统的分界。
xiaozhi-esp32-server 是什么
xinnan-tech/xiaozhi-esp32-server 是小智配套的开源服务端，MIT 协议，主要用 Python 等实现，支持 Docker 部署。它干的正是数据流里"服务端"那一格：接住设备流上来的语音，做识别（ASR）、喂给大模型（LLM）、把回答合成语音（TTS）流回设备。
它最值钱的设计是三段全可插拔——ASR、LLM、TTS 都不绑死某一家，按需选配（本地方案如 FunASR、FishSpeech，云端方案如各家识别/大模型/合成接口）。除主链路外它还带声纹、记忆、意图识别/MCP、RAG 知识库，以及控制台和认证，不是裸脚本，而是一套带管理界面的后端。
上面这些能力和支持列表，是写这篇时对仓库的理解。开源项目迭代快——支持哪些 ASR/LLM/TTS、各自怎么配，请以仓库 README 当前版本为准。把本文当地图，把 README 当实时路况。
用 Docker 部署：一张概念流程图
下面是"自建后端长什么样"的概念级流程，帮你建立心理预期。每一步的具体镜像名、命令、配置项，全部以仓库 README 为准，这里不写死也不编。
拉镜像、起服务。 服务端支持 Docker 部署，常见做法是照 README 拉取官方镜像、用容器（或 compose 编排）把后端跑起来。Docker 的好处正在这儿：它把 Python 环境、依赖、各种运行时全打进镜像，你不用在自己机器上一个个装、一个个对版本——"能在我这跑"变成"照 README 拉起来就能跑"，这也是新手自建最该走 Docker 而非源码直装的原因。跑起来后，一条链路的"中枢"就此在你机器上常驻。
改配置：挑你的 ASR / LLM / TTS。 服务端起来后，去它的配置文件里挑要用的识别、模型、合成方案，填上对应接入信息——用云端方案要填各家的 Key，用本地方案要把模型准备好。这一步就是在拼装你那条专属链路。有些版本还带 Web 控制台，可以在界面上配、不必手改文件；以 README 为准。
把设备指向你的服务器。 让小智设备（
78/xiaozhi-esp32那端固件）不再连默认的公共服务，而是连到你这套后端的地址——通常是改设备端的服务器配置（OTA/WebSocket 地址）。设备这端只改"往哪连"，链路的重活全在服务端。
跑通之后，你喊小智说的话就走你自己的后端：你配的 ASR 转文字、你选的 LLM 思考、你定的 TTS 念出来——同一台设备，大脑已经换成你的了。
别想着一口气把声纹、记忆、RAG 全配齐。先用最简配置把"对话能通"这条主路跑起来——最朴素的一套 ASR/LLM/TTS 接通、设备能连上、能一问一答，就是巨大的里程碑。进阶能力等主路稳了再逐个加，一次只动一格，出问题才知道是谁的锅。
可插拔模型：换一家，通常只是改个配置
"三段可插拔"听着像个参数选项，实际是自建后端最大的自由度，值得单独讲透。
本地 vs 云端，是一道随时能调的滑块。 用本地识别/合成方案，数据不出你的网络、不按次付费，代价是吃你机器的算力；用云端方案，省本地算力、效果通常更稳，代价是数据上云、按量计费。哪一段更在意隐私就走本地，哪一段更在意效果就走云——这道滑块握在你手里。
换更便宜或更准的模型，基本只是改配置。 大模型这边支持多家接口。哪家更便宜、哪家在你的场景下答得更准、哪家最近降价了，你换过去往往只需动服务端的配置，不必重写、重刷设备固件——设备始终只连你这一个地址，后面换成谁的模型它并不关心。不被任何一家锁死，这是自己掌控后端相比用公共服务最实在的赢面。
小结 · 下一步
- 为什么自建：成本自己拼、隐私链路你管、整条链路可控——核心是不再依赖公共服务器。
- xiaozhi-esp32-server 是什么：小智配套的 MIT 开源服务端，支持 Docker 部署，ASR/LLM/TTS 三段全可插拔，还带声纹/记忆/MCP/RAG。
- Docker 部署三步：拉镜像起服务 → 改配置挑模型 → 把设备指向你的地址；细节一律以 README 为准。
- 可插拔的价值：本地与云随你换、换模型只改配置不动固件，不被任何一家锁死。
把服务端搬回自己手里，你手里就同时握住了两个仓库：设备端 78/xiaozhi-esp32 和服务端 xinnan-tech/xiaozhi-esp32-server——完整的小智，从此都归你调。想把这套账算得更细、看清什么时候该自建、什么时候先用现成，回 L4 自建后端那节补透。
下一步：后端在手，只是"能对话"。真正让小智从"会说话的音箱"跨到"能干活的助手"，靠的是把硬件动作暴露给大模型——去下一节 MCP 控硬件（mcp），让对话真正驱动你的设备。