前言
之前在CSDN上看到有人用python调用语音api接口实现一个语音对话机器人的功能,于是依葫芦画瓢,按照方法用python撸了一个语音对话助手,并成功在一个linux 智能音箱上应用并实现播报效果。现把当时的思路和实现代码梳理一遍,准备在树莓派上在这个代码的基础上拓展一下应用。
1. 准备工作
首先该代码是基于python3 编写,主要是因为如百度、科大讯飞、图灵等各SDK应用商提供了便捷的python api接口,并且对python 的支持非常友好,仅需几行代码即可调用其相关的语音AI功能,比自己写一个语音模块方便太多。所以基础的准备工作主要有以下几点:
- python开发环境
电脑安装python3,并通过pip install 安装需调用的相关模块,如pyaudio、wave、json、urllib等,相关模块的功能自行百度即可;
import os
from os import system
import aip
from aip import AipSpeech
import wave
import requests
import json
- 百度api账号
通过对比百度、科大讯飞和图灵机器人的开发者平台,发现百度提供的api接口可同时满足语音转文字和文字转语音的功能,因此该代码主要是调用百度的api接口,只需要申请百度的开发者账号即可满足我们的需求。
登陆百度AI开放平台(https://ai.baidu.com/tech/speech),注册账号,阅读技术文档,了解如何在python中调用api。
创建应用后只需要记住这三个关键字:App ID、API Key、Secret Key,后面调用的时候会用到。 - 图灵机器人api账号
语音识别ASR和文字转语音TTS已经通过百度api实现,图灵开发者平台api主要是提供自然语言理解NLP这个功能。
2. 搭建思路
-
需求
人与机器对话,主要有三个步骤:接收语音–理解意图–进行回答。
所以,实现机器语音对话的过程就是,通过硬件设备录入语音,语音助手识别语音意图后进行回答。 -
实现思路
说话–设备录音–语音转成文字ASR–文字意图理解NLP–得到回应文字NLP–文字转成语音TTS–设备播放语音–问答结束
3. 开始录音-Recording
不同的硬件设备的录音方式不一样,linux系统的智能音箱,可以通过aplay或arecord命令实现录制音频文件。如果是使用windows电脑运行python程序,则可以通过调用pyaudio库实现本地录音得到音频文件。
linux版本录音命令如下:
system('aplay -C -D hw:0,1 -r 16000 -c 2 -f S16_LE -d 5 --period-size=1024 --buffer-size=8192 /tmp/16k_2ch_16bit.wav')
print('recording_end !')
上述录音命令中,录制音频的采样率为16000Hz,比特数为16bit,通道数为2,格式为wav文件。
4. 语音转文字-ASR
得到wav音频文件后,需要将语音内容转化为文字,这个过程叫语音识别(ASR | Automatic Speech Recognition)。百度开发者平台提供了语音识别的api接口,并支持python调用,只需要通过pip install baidu_aip调用该模块即可。
注意,百度的这个api支持的文件格式有限,文件后缀只支持 pcm/wav/amr 格式,极速版额外支持m4a 格式。
###需要识别的文件
AUDIO_FILE = path # 只支持 pcm/wav/amr 格式,极速版额外支持m4a 格式
# 文件格式
FORMAT = AUDIO_FILE[-3:]; # 文件后缀只支持 pcm/wav/amr 格式,极速版额外支持m4a 格式
需要值得表扬的是,百度语音识别的api接口支持普通话、英语、粤语、四川话等方言的识别,功能强大。
###wave_to_txt###
APP_ID = '******'
API_KEY = '************'
SECRET_KEY = '**********************'
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
def ASR():
# 读取录音文件
with open('/tmp/mono.wav', 'rb') as fp:
voices = fp.read()
print('~~wave_read_done!~~')
try:
# 参数dev_pid:1536普通话(支持简单的英文识别)、1537普通话(纯中文识别)、1737英语、1637粤语、1837四川话、1936普通话远场
result = client.asr(voices, 'wav', 16000, {'dev_pid': 1537, })
result_text = result["result"][0]
print("you said: " + result_text)
return result_text
except KeyError:
print("KeyError")
5. 自然语言理解-NLP
得到文字信息后,接下来需要做的就是理解文字信息的意图,并给出正确的回应,类似我们大脑的理解过程,这个过程叫做自然语言处理(NLP|Natural Language Processing)或自然语言理解(NLU|Natural Language Understanding)。
NLP是研究用电子计算机模拟人的语言交际过程,使计算机能理解和运用人类社会的自然语言如汉语、英语等,实现人机之间的自然语言通信,以代替人的部分脑力劳动,包括查询资料、解答问题、摘录文献、汇编资料以及一切有关自然语言信息的加工处理。NLU在文本信息处理处理系统中扮演着非常重要的角色,是推荐、问答、搜索等系统的必备模块。
图灵机器人调用NLP api 代码块如下:
###NLP--TURING Robot ###
turing_api_key = "*************"
api_url = "http://openapi.tuling123.com/openapi/api/v2" # 图灵机器人api网址
headers = {'Content-Type': 'application/json;charset=UTF-8'}
#图灵机器人回复
def Turing(text_words):
req = {
"reqType": 0,
"perception": {
"inputText": {
"text": text_words
},
"selfInfo": {
"location": {
"city": "北京",
"province": "北京",
"street": "车公庄西大街"
}
}
},
"userInfo": {
"apiKey": turing_api_key, # 你的图灵机器人apiKey
"userId": "Nieson" # 用户唯一标识(随便填, 非密钥)
}
}
通过调用requests模块和json模块把得到的回复信息存储在text里。
req["perception"]["inputText"]["text"] = text_words
response = requests.request("post", api_url, json=req, headers=headers)
response_dict = json.loads(response.text)
result = response_dict["results"][0]["values"]["text"]
print("AI Robot said: " + result)
return result
6. 文字转语音-TTS
得到文字回复信息后,我们需要把文字信息转成音频文件,这样才可以通过音频播放设备播放,这个过程叫做TTS。TTS是Text To Speech的缩写,即“从文本到语音”,是人机对话的一部分,让机器能够说话。
### Text_to_Speech,TTS ###
def TTS(text):
TTS_out = client.synthesis(text, 'zh', 1, {
'vol': 5,'per': 4,'aue':6
})
print('TTS_out = ',type(TTS_out))
# 识别正确返回语音二进制 错误则返回dict 参照下面错误码
if not isinstance(TTS_out, dict):
with open('audio.wav', 'wb') as f:
f.write(TTS_out)
这里必须再夸赞一下百度,百度的TTS api 支持选择男声和女声,而且有不同的音色,并且支持语速、语调和音量的选择,关键还是免费,这一点百度做的实在是良心。同时输出格式支持wav、mp3、pcm等,对硬件播放设备的兼容支持非常友好。
# 发音人选择, 0为普通女声,1为普通男生,3为情感合成-度逍遥,4为情感合成-度丫丫,默认为普通女声
PER = 4
# 语速,取值0-15,默认为5中语速
SPD = 5
# 音调,取值0-15,默认为5中语调
PIT = 5
# 音量,取值0-9,默认为5中音量
VOL = 5
# 下载的文件格式, 3:mp3(default) 4: pcm-16k 5: pcm-8k 6. wav
AUE = 3
FORMATS = {3: "mp3", 4: "pcm", 5: "pcm", 6: "wav"}
FORMAT = FORMATS[AUE]
7. 语音播放-Speaking
跟录音模块一样,根据硬件平台设备的不同,可以选择不同的播放方式,linux系统可以选择使用aplay命令播放,windows和mac电脑可以选择使用python的pyaudio模块播放,代码很简单,这里就不赘述了。
结语
上面ASR、TTS等模块同样可以使用腾讯或阿里的AI api 接口接入调用,原理和方法类似,在此就不做赘述。该程序仅仅是完成了语音对话方面的内容,比较全面的的智能语音python项目,可以借鉴的优秀案例比如潘伟洲的wukong-robot,不但囊括了上述语音转换接口,还涉及到了唤醒词训练,语音技能以及远程控制,代码全部梳理一遍,对智能音箱涉及的基本知识就有了一个比较全面的了解。