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）_私人ai助手搭建

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

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)
1
2
3
4
5
6
7
8

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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

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
1
2

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 &
1
2
3
4
5
6
7

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))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

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：

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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57

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 API
• TTS：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