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)

AI码上来 2024-07-21 11:31:02 阅读 91

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:

<code>from funasr import AutoModel

# asr model

funasr_model = AutoModel(model="iic/speech_seaco_paraformer_large_asr_nat-zh-cn-16k-common-vocab8404-pytorch",code>

vad_model="damo/speech_fsmn_vad_zh-cn-16k-common-pytorch",code>

punc_model="damo/punc_ct-transformer_zh-cn-common-vocab272727-pytorch",code>

spk_model="damo/speech_campplus_sv_zh-cn_16k-common",code>

)

rec_result = funasr_model.generate("test.wav", return_raw_text=False, is_final=True)

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)code>

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

step 2 下载模型:

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

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

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 &

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))

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:

<code>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",code>

avatar_images=[host_avatar, user_avatar],

label="交互区",code>

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')code>

user_text = gr.Textbox(label="语音识别内容")code>

user_submit = gr.Button("提交", variant="primary")code>

audio_bot = gr.Audio(label="Bot Output", autoplay=True, type='filepath')code>

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)code>

最后我们来看下效果:

语音对话机器人-个人AI小助手

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👇。



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。