AI 音频/文本对话呆板人：Whisper+Edge TTS+OpenAI API构建语音与文本交互
前言
在本篇博客中，我将分享如何使用Whisper模子举行语音转文本（ASR），通过Edge TTS实现文本转语音（TTS），并结合OpenAI API实现文本生成的语音与文本交互系统。这个系统可以用于构建智能助手、语音交互应用等场景。
前段时间学了英伟达系列课程，最近偶然间基于视频中的demo设计了一个支持文本和语音问答的ai呆板人。实现结果如下：
代码运行配景：
一个内网ip可供访问，
一个公网ip 72小时有效
https://i-blog.csdnimg.cn/direct/f0fab82c5ff64726bd61984622df303b.png
https://i-blog.csdnimg.cn/direct/a70bf6419ce74ed29ec22cd895bdb724.png
视频结果展示：
AI 音频/文本对话呆板人
参考链接：https://github.com/kinfey/Microsoft-Phi-3-NvidiaNIMWorkshop/
思路：
左边用户输入音频或者文本。输入音频须要通过whisper model转为文本。然后输入到LLM中举行QA问答输出文本。之后通过egde_tts转换为音频。Gradio网页同时输出音频和文本。
https://i-blog.csdnimg.cn/direct/17c82d7e55604d72bd3e792457aa71fe.jpeg
情况设置
起首，安装所需的Python库：
# ! pip install whisper pydub
# ! pip install gradio
# ! pip install openai-whisper==20231117
# ! pip install ffmpeg==1.4
# ! pip install edge-tts
# ! pip install transformers
# ! pip install openai
代码
1. 加载Whisper模子
Whisper是OpenAI推出的一款强大的语音识别模子。我们可以选择不同尺寸的模子，以下代码展示了如何加载tiny模子：
import whisper
select_model = "tiny"# 可选模型：['tiny', 'base']
whisper_model = whisper.load_model(select_model)
2. 使用Whisper语音转文本
使用Whisper模子可以将音频转换为文本。以下函数实现了这一功能：
def convert_to_text(audio_path):
result = whisper_model.transcribe(audio_path, word_timestamps=True, fp16=False, language='English', task='translate')
return result["text"]
3. 使用OpenAI API生成文本举行智能问答
这里用到的是英伟达提供的api，各人可以换不同的模子，也可以参考这一篇文章注册一个账号，新用户有一定的免费额度。
https://i-blog.csdnimg.cn/direct/c012a6e4d7e24da58218ecd9863d223c.png
def phi_demo(prompt):
client = OpenAI(
base_url="https://integrate.api.nvidia.com/v1",
api_key="你的API key"
)
completion = client.chat.completions.create(
model="microsoft/phi-3-mini-128k-instruct",
messages=[{"role": "user", "content": prompt}],
temperature=0.4,
top_p=0.7,
max_tokens=512,
stream=True
)
result = ""
for chunk in completion:
if chunk.choices.delta.content is not None:
result += chunk.choices.delta.content
return result
4. 实现文本转语音功能
为了将文本转为语音，我们使用了Edge TTS库。这里留意将文本举行了切片分别生成音频。以下是主要函数：
import edge_tts
import asyncio
async def amain(TEXT, VOICE, OUTPUT_FILE):
communicate = edge_tts.Communicate(TEXT, VOICE)
await communicate.save(OUTPUT_FILE)
def edge_free_tts(chunks_list, speed, voice_name, save_path):
if len(chunks_list) > 1:
chunk_audio_list = []
if os.path.exists("./content/edge_tts_voice"):
shutil.rmtree("./content/edge_tts_voice")
os.mkdir("./content/edge_tts_voice")
for k, i in enumerate(chunks_list, 1):
OUTPUT_FILE = f"./content/edge_tts_voice/{k}.mp3"
loop = asyncio.new_event_loop()
asyncio.set_event_loop(loop)
loop.run_until_complete(amain(i, voice_name, OUTPUT_FILE))
chunk_audio_list.append(OUTPUT_FILE)
merge_audio_files(chunk_audio_list, save_path)
else:
loop = asyncio.new_event_loop()
asyncio.set_event_loop(loop)
loop.run_until_complete(amain(chunks_list, voice_name, save_path))
5. 归并音频文件
在处置惩罚长文本时，语音合成的结果大概会分为多个音频片断。我们须要将这些片断归并为一个完备的音频文件：
from pydub import AudioSegment
def merge_audio_files(audio_paths, output_path):
merged_audio = AudioSegment.silent(duration=0)
for audio_path in audio_paths:
audio = AudioSegment.from_file(audio_path)
merged_audio += audio
merged_audio.export(output_path, format="mp3")
6. 构建Gradio界面
为了让用户可以方便地与系统交互，我们使用Gradio库搭建了一个简单的Web界面：
import gradio as gr
def run_text_prompt(message, chat_history):
bot_message = phi_demo(message)
edge_save_path = talk(bot_message)
display(Audio(edge_save_path, autoplay=True))
chat_history.append((message, bot_message))
return edge_save_path, chat_history
with gr.Blocks() as demo:
chatbot = gr.Chatbot(label="Chat with Phi 3 mini 4k instruct")
msg = gr.Textbox(label="Ask anything")
msg.submit(run_text_prompt, , )
with gr.Row():
audio = gr.Audio(sources="microphone", type="filepath")
send_audio_button = gr.Button("Send Audio", interactive=True)
send_audio_button.click(run_audio_prompt, , )
demo.launch(share=True, debug=True)
留意
在edge-tts输出的音频为.MP3文件，然后我在中间加了一个代码将其转为.wav文件。（由于我这边web页面的音频不停输出失败，比力玄学）
def convert_mp3_to_wav(mp3_file_path, wav_file_path):
audio = AudioSegment.from_mp3(mp3_file_path)
audio.export(wav_file_path, format="wav")
总结
在这篇博客中，我们先容了如何使用Whisper、Edge TTS与OpenAI API构建一个功能强大的语音与文本交互系统。这个系统可以广泛应用于语音助手、智能客服等场景，极大地提升用户体验。
后续优化的地方：
[*]处置惩罚速率慢，后续将继续学习LLM 推理加快这一块。特别是音频分块后合成导致LLM生成文本后加载的时间比力长。
[*]多历程，假如打开多个页面，会出现报错的现象。后续还要进一步排查。
[*]由于英伟达api调用次数的限制，后续会部署自己的LLM open ai接口。
希望这篇博客能为你在语音处置惩罚和AI应用开发上提供资助！假如你有任何问题或建议，接待在评论区讨论。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]