教你用 Web Speech API 和 Node.js 来创建一个简单的 AI 聊天机器人
简评:使用语音命令在今天变得非常普遍,许多手机用户使用像 Siri 和 Cortana 这样的语音助手,我们的卧室也被亚马逊的 Echo 和 Google Home 这样的设备“入侵”了。这些系统都离不开语音识别软件,现在,我们的浏览器也友好支持了 Web Speech API,可以让用户在 Web 应用中集成语音功能。
这篇文章将介绍如何使用 API 来在浏览器中创建人工智能语音聊天界面。这个应用会识别用户的声音,并且用一个合成的声音来回答用户。因为 Web Speech API 还处在试验阶段,这个应用只在支持的浏览器上可用。这篇文章使用的语音识别和语音合成功能,目前仅在基于 Chromium 的浏览器上支持,包括 Chrome 25+ 和 Opera 27+,目前 Firefox,Edge 和 Safari 仅支持语音合成。
Chrome 上运行的 demo 视频链接,接下来我们就来完成这个 demo !
要完成这个 Web 应用,我们需要完成下面三个主要的步骤:
1. 使用 Web Speech API 的 SpeechRecognition 接口来识别用户的声音;
2. 将用户的消息作为文本字符串发送到商业的自然语言处理 API;
3. 一旦 API.AI 返回了响应文本,使用 SpeechSynthesis 接口来合成语音。
这篇文章使用的完整源代码在 GitHub 上。(先帮妹子赞一个)
开始你的 Node.js 应用
首先,我们要用 Node.js 搭建一个 Web 应用框架。创建你的应用目录,就像这样:
.
├── index.js
├── public
│ ├── css
│ │ └── style.css
│ └── js
│ └── script.js
└── views
└── index.html
然后,执行下面的命令来初始化你的 Node.js 应用:
$ npm init -f
-f 命令表示接受默认的配置(你也可以去掉,然后手动配置你的应用),这样会生成一个 package.json 文件,包含一些基本信息。
现在,安装下面的依赖库:
$ npm install express socket.io apiai --save
--save 命令将会在 package.json 中自动更新依赖。
我们将要使用 Express 库,一个 Node.js 写的 Web 应用服务框架,可以在本地运行服务器。为了实现在浏览器和服务器之间实时双向交流,我们将会使用 Socket.IO。同时,我们将会安装自然语音处理服务工具,API.AI用来构建一个 AI 聊天机器人。
Socket.IO 是一个在 Node.js 中轻松使用 WebSocket 的库。通过在客户端和服务端建立 socket 连接,只要 Web Speech API(语音消息)或者 API.AI API (AI 消息)返回了文本数据,我们的聊天信息就能在浏览器和服务器之间往返。
现在,让我们创建 index.js 文件,并实例化 Express 以及监听服务器:
const express = require('express'); const app = express(); app.use(express.static(__dirname + '/views')); // html app.use(express.static(__dirname + '/public')); // js, css, images const server = app.listen(5000); app.get('/', (req, res) => { res.sendFile('index.html'); });
下一步,我们将使用 Web Speech API 集成前端代码。
用 SpeechRecognition 接口接收语音
Web Speech API 有一个主要的控制接口,叫 SpeechRecognition,从麦克风接收用户的语音并加以识别。
创建用户界面
这个应用的 UI 很简单:一个打开语音识别的按钮。打开 index.html,将前端的 JavaScript 文件(script.js)和 Socket.IO 包含进去。
<html lang="en"> <head>…</head> <body> … <script src="https://cdnjs.cloudflare.com/ajax/libs/socket.io/2.0.1/socket.io.js"></script> <script src="js/script.js"></script> </body> </html>
然后,我们在 body 中添加一个按钮:
<button>Talk</button>
为了让我们的按钮看起来像 demo 中的那样,我们需要在源代码中引用 style.css 文件。
用 JavaScript 捕捉声音
在 script.js 中,调用 SpeechRecognition 的实例,Web Speech API 的控制接口:
const SpeechRecognition = window.SpeechRecognition || window.webkitSpeechRecognition; const recognition = new SpeechRecognition();
我们同时使用了有前缀和没有前缀的对象,因为 Chrome 目前支持 API 的前缀属性。
同时,我们使用了 ECMAScript6 语法,因为 ES6,const 关键字和箭头函数以及 Speech API 接口 SpeechRecognition 和 SpeechSynthesis 都在浏览器中支持。
你可以随意地设置一些属性变量来自定义语音识别:
recognition.lang = 'en-US'; recognition.interimResults = false;
然后,拿到按钮的 DOM 引用,监听点击事件来初始化语音识别:
document.querySelector('button').addEventListener('click', () => { recognition.start(); });
一旦开始语音识别,就能用 result 事件将刚刚说的话转成文本:
recognition.addEventListener('result', (e) => { let last = e.results.length - 1; let text = e.results[last][0].transcript; console.log('Confidence: ' + e.results[0][0].confidence); // We will use the Socket.IO here later… });
这将返回 SpeechRecognitionResultList 对象,你可以在这个对象的数组中得到文本结果。同时,你可以看到上面代码中返回的 confidence 转录。
现在,是时候使用 Socket.IO 来向服务端发送文本了。
用 Socket.IO 实时交互
你可能会好奇为什么我们不用简单的 HTTP 或者 AJAX 来代替。你可以通过 POST 方法向服务端发送数据,但是,通过 Socket.IO,我们使用 WebSocket 发送数据,因为 socket 是双向交流的最佳解决方案,尤其是当我们从服务端向浏览器推送事件时。通过持续的 socket 连接,我们不用重新加载浏览器或者频繁地持续发送 AJAX 请求。
在 script.js 中实例化 http://Socket.IO:
const socket = io();
然后插入你监听 SpeechRecognition 的 result 事件代码:
socket.emit('chat message', text);
现在重新回到 Node.js 代码,接收这条文本,然后使用 AI 响应用户。
从 AI 中得到答复
许多平台和服务都能够让你在应用中用语音-文本自然语言处理来集成 AI 系统,包括 IBM 的 Watson,微软的 LUIS 和 脸书的 Wit.ai。为了快速构建对话界面,我们将使用 API.AI,因为它提供了免费的开发者账户,让我们可以使它的 Web 接口和 Node.js 库快速地建立一个小型对话系统。
设置 API.AI
创建一个账户后,你就创建了一个“代理”。参考文档指南的第一步。
接着,点击左边菜单的 “Small Talk”,然后开启启用服务选项。
用 API.AI 界面自定义你的 small-talk 代理。
点击菜单中你的代理名字旁边的齿轮图标,回到 “基本设置” 页面,拿到 API 密钥。你将会在 Node.js SDK 中使用“客户端访问令牌”。
使用 API.AI
我们将使用 Node.js SDK 来将我们的 Node.js 应用连接到 API.AI。回到 index.js,用你的访问令牌初始化 API.AI:
const apiai = require('apiai')(APIAI_TOKEN);
如果你只想在本地运行,你可以在这里硬编码你的 API 密钥。这里有几种方式来设置环境变量,但我通常使用 .env 文件来声明变量。在 GitHub 中的源码中,我用 .gitignore 隐藏了我的证书文件。但是你可以参考 .env-test 文件看看它是如何设置的。
现在我们要用服务端的 Socket.IO 来接收浏览器的数据。
一旦建立连接收到消息,使用 API.AI 的接口来响应用户:
io.on('connection', function(socket) { socket.on('chat message', (text) => { // Get a reply from API.AI let apiaiReq = apiai.textRequest(text, { sessionId: APIAI_SESSION_ID }); apiaiReq.on('response', (response) => { let aiText = response.result.fulfillment.speech; socket.emit('bot reply', aiText); // Send the result back to the browser! }); apiaiReq.on('error', (error) => { console.log(error); }); apiaiReq.end(); }); });
当 API.AI 返回结果后,用 Socket.IO 的 socket.emit() 方法发送到客户端。
用 SpeechSynthesis 接口让 AI 发出声音
回到 script.js,用 Web Speech API 的 SpeechSynthesis 控制器接口创建一个合成声音的函数。这个函数接收一个字符串参数,让浏览器读出文本:
function synthVoice(text) { const synth = window.speechSynthesis; const utterance = new SpeechSynthesisUtterance(); utterance.text = text; synth.speak(utterance); }
上面的代码首先创建了一个 window.speechSynthesis 这个 API 接入点,你可能会注意到这次是没有前缀属性的,这个 API 比 SpeechRecognition 更广泛地被支持,所有的浏览器都弃用了 SpeechSysthesis 的前缀。
接着创建了一个 SpeechSynthesisUtterance() ,然后设置要被合成声音的文本。你可以设置其他的属性,比如 voice,来选择浏览器和操作系统支持的声音类型。最终调用 SpeechSynthesis.speak() 来发出声音。
现在再次用 Socket.IO 来获得服务端响应,一旦消息收到了,就调用上面的函数。
socket.on('bot reply', function(replyText) { synthVoice(replyText); });
让我们来试试我们的 AI 机器人吧!