手把手带你搭建一个语音对话机器人，5分钟定制个人AI小助手（新手入门篇）

发布时间：2024-11-20 18:03

AI助手如语音助手成为个人助理 #生活知识# #生活感悟# #科技生活变迁# #科技进步与日常生活#

写在前面

如果你的身边有一个随时待命、聪明绝顶的AI小助手，能够听懂你的话，理解你的需求，用温暖的声音回应你，会是一种什么体验？

今天，带大家从0到1搭建一个语音对话机器人，分分钟拥有一个专属的个人AI小助手。

本文面向技术小白，以最通俗易懂的语言，最贴心的步骤指导，确保你能够轻松上手，快速掌握。

语音对话系统的基本组成有哪些？

一个可以实现语音对话的机器人，通常需要由硬件和软件构成，硬件可以理解为机器人的躯体。

本篇主要来聊聊语音对话机器人的软件部分。

说到软件部分，通常又可以抽象为三个部分：

自动语音识别（Automatic Speech Recognition, 简称 ASR），相当于 机器人的耳朵，用于把我们的语音识别成文字；自然语言处理（Natural Language Processing, 简称 NLP），相当于 机器人的大脑，理解上一步得到的文字信息，并进行答复，当前主流的解决方案是大语言模型LLM；文本到语音合成（Text to Speech，简称 TTS），相当于 机器人的嘴巴，把上一步的答复用语音回答出来

在这里插入图片描述

如何快速搭建语音对话系统？

为了帮助大家从0到1快速完成一个系统的搭建，本文将完全采用开源方案来实现。具体而言：

ASR 采用 FunASR，相比 OpenAI 开源的 Whisper，中文识别效果更好；

NLP 采用大语言模型（LLM）方案，比如我们这里可以采用 LLaMA3-8B，采用本地的 GPU 部署和运行，如果没有本地 GPU 资源，也可以调用云端 API 实现这一步；

TTS 采用最新开源的 ChatTTS，它是专门为对话场景设计的文本转语音模型，支持英文和中文两种语言，效果非常惊艳。

1 语音识别 ASR

ASR 采用阿里开源的 FunASR，相比 OpenAI 开源的 Whisper，中文识别效果更好。

GitHub地址：https://github.com/modelscope/FunASR
模型调用参考：https://modelscope.cn/studios/iic/funasr_app_clipvideo/summary

通过如下代码，我们简单测试一下返回结果和模型效果：

from funasr import AutoModel # asr model funasr_model = AutoModel(model="iic/speech_seaco_paraformer_large_asr_nat-zh-cn-16k-common-vocab8404-pytorch", vad_model="damo/speech_fsmn_vad_zh-cn-16k-common-pytorch", punc_model="damo/punc_ct-transformer_zh-cn-common-vocab272727-pytorch", spk_model="damo/speech_campplus_sv_zh-cn_16k-common", ) rec_result = funasr_model.generate("test.wav", return_raw_text=False, is_final=True) 12345678

接下来我们需要将其封装成一个 API ，方便后续调用。最简单的我们可以采用 FastAPI 来实现封装，示例代码如下：

# 定义asr数据模型，用于接收POST请求中的数据 class ASRItem(BaseModel): wav : str # 输入音频，base64编码 time_stamp : int = 0 # 时间戳，可选，默认为0 app = FastAPI() @app.post("/asr") async def asr(item: ASRItem): time_stamp = int(item.time_stamp) try: data = base64.b64decode(item.wav) rec_result = funasr_model.generate(data, return_raw_text=False, is_final=True) res = rec_result[0]['sentence_info'] if time_stamp else rec_result[0]['text'] result_dict = {"code": 0, "msg": "ok", "res": res} except Exception as e: result_dict = {"code": 1, "msg": str(e)} return result_dict if __name__ == '__main__': uvicorn.run(app, host='0.0.0.0', port=2002)

1234567891011121314151617181920

2 大语言模型（LLM）

为了实现对话功能，我们可以采用当前的大语言模型（LLM），对上一步识别出来的文字进行理解，并给出答复。

本文的 LLM 采用 LLaMA3-8B，开源社区已经实现了对 LLaMA3-8B 的中文指令微调，为此中文效果会比原始版本效果更好。

GitHub地址：https://github.com/ymcui/Chinese-LLaMA-Alpaca-3
模型地址：https://modelscope.cn/models/ChineseAlpacaGroup/llama-3-chinese-8b-instruct/summary

在上述的 GitHub 仓库中，给出了一键部署的脚本，非常方便。四步走搞定它：

下载代码下载模型安装必要的包服务启动

step 1 下载代码：

git clone https://github.com/ymcui/Chinese-LLaMA-Alpaca-3 1

step 2 下载模型：

git clone https://www.modelscope.cn/ChineseAlpacaGroup/llama-3-chinese-8b-instruct.git 1

step 3 安装必要的包：

pip install fastapi uvicorn shortuuid sse_starlette peft bitsandbytes pip install flash-attn --no-build-isolation # 如果要使用flash-attention的话 12

step 4 服务启动：
服务启动的代码如下，--base_model 替换为自己的模型路径，--load_in_4bit 指定了采用 4bit 量化。

注意：如果采用不量化的方案，显存占用12G，回复非常慢，有请求过来显存占用最高近14G，而采用4bit 量化，显存只占用 6G。

python scripts/oai_api_demo/openai_api_server.py \ --base_model /path/to/models/llama-3-chinese-8b-instruct/ \ --gpus 2 \ --port 2001 \ --load_in_4bit \ --use_flash_attention_2 \ > log.txt 2>&1 & 1234567

step 5 服务调用：
为了实现 LLM 的个性化回答，当然需要给它设定一个特定的人设啦 ~ ，这一步可以通过人设提示词来轻松搞定。下面给一个示例：

from openai import OpenAI # 枚举所有可用的模型服务 model_dict = { 'llama3-8b': { 'api_key': 'sk-xxx', 'base_url': 'http://10.18.32.170:2001/v1', }, } # 设置人设提示词，根据需要进行修改 prompt_dict = { 'llama3-8b': [ {"role": "system", "content": "你是猴哥的全能小助手，上知天文，下知地理，可解决生活中的一切困扰。"}, ], } class LLM_API: def __init__(self, api_key, base_url, model): self.client = OpenAI( api_key=api_key, base_url=base_url, ) self.model = model def __call__(self, messages, temperature=0.7): completion = self.client.chat.completions.create( model=self.model, messages=messages, temperature=temperature, ) return completion.choices[-1].message.content if __name__ == '__main__': model = 'llama3-8b' llm = LLM_API(model_dict[model]['api_key'], model_dict[model]['base_url'], model) user_question = "你是谁" messages = prompt_dict[model] + [{"role": "user", "content": user_question},] print(llm(messages))

123456789101112131415161718192021222324252627282930313233343536373839

如果本地没有 GPU 资源部署大语言模型，也可以选择调用云端 API 来实现这一步，猴哥下一篇就来梳理一下：
我们都可以调用哪些免费的 LLM API?

欢迎追更！

3 语音生成（TTS）

为了将大模型输出的文字生成语音返回，这里我们采用 2024.5 刚开源的项目 - ChatTTS，生成效果非常惊艳。关于 ChatTTS 的具体使用，猴哥会单独出一篇教程，否则本文的篇幅就太长了。

同样还是采用 FastAPI 来实现封装，和部署 ASR 模型类似，在此不再赘述。

（PS：需要源码的可到文末自取~）

4 前端交互实现（Gradio）

Gradio是一个用于快速创建机器学习模型的交互式演示的开源库。它允许开发者通过简单的Python代码快速构建一个用户界面。

为了快速搭建应用，我们还是要请出我们的老朋友 - Gradio，交互界面如图所示：
在这里插入图片描述

WebUI 代码奉上：

import gradio as gr from speech_client import asr_damo_api, tts_chat_api from llm_client import LLM_API, prompt_dict, model_dict host_avatar = 'assets/host_image.png' user_avatar = 'assets/user_image.png' model = 'llama3-8b' # model = 'gpt-4' llm = LLM_API(model_dict[model]['api_key'], model_dict[model]['base_url'], model) with gr.Blocks(theme=gr.themes.ThemeClass) as demo: state = gr.State({'messages': []}) with gr.Row(): with gr.Column(scale=1): user_chatbot = gr.Chatbot( value=[[None, '欢迎你来！']], elem_classes="app-chatbot", avatar_images=[host_avatar, user_avatar], label="交互区", show_label=True, bubble_full_width=False, height=800) with gr.Column(scale=1): audio_user = gr.Audio(label="User Input", sources=['microphone'], type='filepath') user_text = gr.Textbox(label="语音识别内容") user_submit = gr.Button("提交", variant="primary") audio_bot = gr.Audio(label="Bot Output", autoplay=True, type='filepath') def process_audio(audio): print('Processing audio:', audio) text = asr_damo_api(audio, time_stamp=0, srt=False) print(text) return text def user_submit_handler(user_text, state, chatbot): chatbot.append((user_text, None)) yield (chatbot, None) messages = state['messages'] if len(messages) == 0: messages = prompt_dict[model] + [{"role": "user", "content": user_text}] else: messages.append({"role": "user", "content": user_text}) print(messages) response = llm(messages) chatbot.append((None, response)) messages.append({"role": "assistant", "content": response}) print(messages) state['messages'] = messages audio = tts_chat_api(response) print(audio) yield (chatbot, audio) audio_user.stop_recording(process_audio, inputs=audio_user, outputs=user_text) user_submit.click(user_submit_handler, inputs=[user_text, state, user_chatbot], outputs=[user_chatbot, audio_bot]) demo.launch(server_name='0.0.0.0', server_port=7861)

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657

最后我们来看下效果：

未完待续

至此，一个语音对话交互系统就搭建好了，当然目前只是为了演示基本功能，界面还比较简陋，在此基础上，还可以增加更多功能：

ASR : 目前采用的 FunASR 模型，在有噪声情况下识别效果还有待增强，需要找到更有效的平替；LLM：模型本地部署对很多小伙伴还是有一定门槛，需要找到平价 or 免费的云端 APITTS：ChatTTS的效果非常不错，后续可以增加说话人身份，实现更丰富的输出；支持流式对话，像 GPT-4o 那样自然打断。

如果本文对你有帮助，欢迎点赞收藏备用！

猴哥一直在做 AI 领域的研发和探索，会陆续跟大家分享路上的思考和心得。

最近开始运营一个公众号，旨在分享关于AI效率工具、自媒体副业的一切。用心做内容，不辜负每一份关注。

如需要获取本项目的源码，可关注后台发送 “机器人” 获取。