Робот на Raspberry Pi с голосом своими руками

Разработчик из России собрал для дочери автономного робота-собеседника на Raspberry Pi 5 с 8 ГБ памяти, локальными языковыми моделями и анимированным лицом, протестировав больше двадцати моделей и выбрав оптимальную по скорости и качеству ответов.

Публикация описывает не коммерческий продукт и не стартап с раундом инвестиций, а подробный личный проект. Автор, отец школьницы, поставил задачу: сделать робота, с которым ребёнок может разговаривать даже без интернета, и который при этом не выглядит «очередной колонкой с часами». Денежных вложений и инвесторов в источнике нет, поэтому таблицу «Сделка в цифрах» честно опускаю: это история про инженерный бюджет из Авито, а не из венчурного фонда.

Как устроен робот и почему он работает без интернета?

Проект построен на одноплатном компьютере Raspberry Pi 5 с 8 ГБ оперативной памяти. Автор купил плату на Авито, пока параллельно писал программу на обычном ПК.

Весь стек работает локально:

• Мозг. LLM (large language model, большая языковая модель, программа, которая читает вопрос и генерирует текстовый ответ) запускается прямо на Pi, без обращения к серверу.
• Уши. Распознавание речи через Vosk, офлайн-движок, который превращает голос в текст.
• Голос. Озвучка ответов через Piper, локальный синтезатор. Базовый голос «Ирина» автор модифицировал: поднял высоту тона на коэффициент 1,38 и замедлил синтез на 1,30, чтобы получить «анимешное» звучание по просьбе дочери.
• Лицо. Анимация на Python и Tkinter (стандартная библиотека для графических интерфейсов) с состояниями «слушаю», «думаю» и спокойная мимика. Рот двигается синхронно со звуком ответа.
• Шея. Сервоприводы MG90S и MG996R, управляемые через контроллер PCA9685, поворачивают голову в сторону лица ребёнка. Лицо находит камера на чипе IMX708 с автофокусом.

Экран сенсорный: Waveshare 3.5-inch DSI LCD, 480 на 800 пикселей. Звуковой тракт цифровой: микрофон ICS-43434 подключён к Pi через шину I²S (цифровой звуковой интерфейс), воспроизведение идёт через USB-звуковую карту и усилитель.

Автор отдельно отметил, что два подшипника 6901 понадобились для опоры шеи, чтобы убрать люфт и при повороте, и при касании экрана пальцем.

Двадцать моделей на одной плате: кто победил?

Самая ценная часть проекта для тех, кто занимается устройством и программированием автономных роботов на Python и Raspberry Pi, это массовое тестирование моделей. Автор скачал около двадцати кандидатов в формате GGUF (формат сжатых моделей, который позволяет запускать их на слабом железе). Часть отсеял сразу: одни не держали заданный характер, другие путались в длинных репликах.

Набор проверок включал арифметику, объяснения, связную речь и следование инструкции. В финал вышли четыре модели:

• Qwen3-4B-Instruct-2507 стала основной: лучший баланс качества и времени ожидания. Скорость генерации на Pi 5 составила примерно 4,3 токена в секунду (токен, минимальный кусочек текста, обычно часть слова).
• Gemma 4 E2B отвечала быстрее, около 7,1 токена в секунду, и подошла для коротких разговоров.
• Gemma 4 E4B показала себя сильнее в объяснениях, но работала медленнее.
• Qwen3.5 9B DeepSeek Distill осталась запасным вариантом: ответы интересные, но время генерации слишком длинное для ребёнка.

Автор подчёркивает: это замеры его набора задач и настроек, не универсальный рейтинг. Для ребёнка разница выражается просто: задала вопрос и ждёт. Быстрый ответ иногда полезнее подробного.

Как рождался персонаж?

Отдельная деталь, которая делает проект живым: автор начал с типового роботического лица, но дочь попросила «аниме-кошечку». Он расспросил про глаза, причёску, одежду, выражение лица и получил два конкретных эскиза: один с тёмными волосами и розовым кимоно, другой в светлых тонах. Второй победил по цветовой гамме.

Этот момент важен не только как семейная история. Он демонстрирует принцип, который работает и в контенте: пользователь (даже если это школьница) точно знает, чего хочет, и задача автора, выяснить это до начала сборки, а не после.

Она посмотрела и спросила: «А можно, чтобы это была аниме-кошечка?» : Дочь автора проекта

Почему это важно для рынка локальных ИИ-устройств?

Проект не коммерческий, но он фиксирует состояние рынка. Год назад запуск четырёхмиллиардной модели на одноплатнике с приемлемой скоростью был экспериментом для энтузиастов. Сейчас автор выбирает из двадцати кандидатов и получает 4-7 токенов в секунду на плате, купленной на Авито.

Для производителей железа это сигнал спроса на компактные устройства с локальным ИИ. Для разработчиков моделей, подтверждение, что формат GGUF и квантизация (сжатие модели с потерей части точности ради скорости) превращают edge-устройства (устройства, которые считают на месте, без сервера) в рабочий инструмент.

Что это значит для вас?

Автору Дзена. Формат «собрал, замерил, показал ребёнку» работает как контент: в нём есть личная история, цифры и инструкция. Если вы пишете про технологии, возьмите структуру: задача, выбор из нескольких решений, замер, результат.

Маркетологу. Локальные ИИ-устройства без подписки, это растущая ниша. Если ваш продукт можно адаптировать под офлайн-сценарии (детское образование, ассистенты для пожилых), аудитория уже готова.

Предпринимателю в РФ. Raspberry Pi 5 доступен на вторичном рынке, модели Qwen и Gemma скачиваются бесплатно, Vosk и Piper работают без лицензий. Из российских аналогов для голосового синтеза можно попробовать Silero, модели которого тоже запускаются локально.

Тем, кто хочет повторить: начните не с заказа железа, а с теста моделей на обычном ПК, как сделал автор. Это сэкономит и деньги, и время, пока посылка с Авито будет в пути.