微信扫码
添加专属顾问
由 DALL·E 3 生成,prompt:A person and a machine are engaged in two-way communication through a microphone and speakers. The person, standing on the left, speaks into the microphone while the machine on the right, resembling a sleek, futuristic robot, responds through speakers. The setting is a modern, well-lit room with a professional atmosphere. The person looks focused and engaged, and the machine's digital display shows sound waves indicating speech.
语音交互系统简介
语音交互系统主要由自动语音识别(Automatic Speech Recognition, 简称 ASR)、自然语言处理(Natural Language Processing, 简称 NLP)和文本到语音合成(Text to Speech,简称 TTS)三个环节构成。ASR 相当于人的听觉系统,NLP 相当于人的大脑语言区域,TTS 相当于人的发声系统。
如何构建语音对话机器人
本文将完全利用开源方案构建语音对话机器人。
ASR 采用 OpenAI Whisper,同时支持中、英文。更多技术细节可以看这篇《跟着 Whisper 学说正宗河南话》;
NLP 采用 DeepSeek v2,由于本地运行所需的 GPU 资源不足,我们调用云端 API 实现这一步;
TTS 采用 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。
本文基于 Gradio 实现的交互界面如图:
你可以基于系统麦克风采集音频,通过 Whisper 转录为文本,调用 DeepSeek v2 API 后,再将对话输出经过 ChatTTS 合成为语音,点击播放即可听到来自机器人的声音。
硬件环境:RTX 3060, 12GB 显存
软件环境信息(Miniconda3 + Python 3.8.19):
pip listPackage Version----------------------------- --------------absl-py 2.0.0accelerate0.25.0aiofiles23.2.1aiohttp 3.8.6aiosignal 1.3.1altair5.1.2annotated-types 0.6.0antlr4-python3-runtime4.9.3anyio 4.0.0argon2-cffi 23.1.0argon2-cffi-bindings21.2.0arrow 1.3.0asttokens 2.4.1astunparse1.6.3async-lru 2.0.4async-timeout 4.0.3attrs 23.1.0audioread 3.0.1Babel 2.15.0backcall0.2.0backports.zoneinfo0.2.1beautifulsoup44.12.3bitarray2.8.2bitsandbytes0.41.1bleach6.1.0blinker 1.6.3cachetools5.3.1cdifflib1.2.6certifi 2023.7.22cffi1.16.0charset-normalizer2.1.1click 8.1.7colorama0.4.6comm0.2.2contourpy 1.1.1cpm-kernels 1.0.11cycler0.12.1Cython3.0.3debugpy 1.8.1decorator 5.1.1defusedxml0.7.1distro1.9.0dlib19.24.2edge-tts6.1.8editdistance0.8.1einops0.8.0einx0.2.2encodec 0.1.1exceptiongroup1.1.3executing 2.0.1face-alignment1.4.1fairseq 0.12.2faiss-cpu 1.7.4fastapi 0.108.0fastjsonschema2.19.1ffmpeg1.4ffmpeg-python 0.2.0ffmpy 0.3.1filelock3.12.4Flask 2.1.2Flask-Cors3.0.10flatbuffers 23.5.26fonttools 4.43.1fqdn1.5.1frozendict2.4.4frozenlist1.4.0fsspec2023.9.2future0.18.3gast0.4.0gitdb 4.0.10GitPython 3.1.37google-auth 2.23.3google-auth-oauthlib1.0.0google-pasta0.2.0gradio4.32.2gradio_client 0.17.0grpcio1.59.0h11 0.14.0h5py3.10.0httpcore0.18.0httpx 0.25.0huggingface-hub 0.23.2hydra-core1.0.7idna3.4imageio 2.31.5importlib-metadata6.8.0importlib-resources 6.1.0inflect 7.2.1ipykernel 6.29.4ipython 8.12.3ipywidgets8.1.3isoduration 20.11.0itsdangerous2.1.2jedi0.19.1Jinja23.1.2joblib1.3.2json5 0.9.25jsonpointer 2.4jsonschema4.19.1jsonschema-specifications 2023.7.1jupyter 1.0.0jupyter_client8.6.2jupyter-console 6.6.3jupyter_core5.7.2jupyter-events0.10.0jupyter-lsp 2.2.5jupyter_server2.14.1jupyter_server_terminals0.5.3jupyterlab4.2.1jupyterlab_pygments 0.3.0jupyterlab_server 2.27.2jupyterlab_widgets3.0.11keras 2.13.1kiwisolver1.4.5langdetect1.0.9latex2mathml3.77.0lazy_loader 0.3libclang16.0.6librosa 0.9.1llvmlite0.41.0loguru0.7.2lxml4.9.3Markdown3.5markdown-it-py3.0.0MarkupSafe2.1.3matplotlib3.7.3matplotlib-inline 0.1.7mdtex2html1.2.0mdurl 0.1.2mistune 3.0.2more-itertools10.1.0mpmath1.3.0multidict 6.0.4nbclient0.10.0nbconvert 7.16.4nbformat5.10.4nemo_text_processing1.0.2nest-asyncio1.6.0networkx3.1notebook7.2.0notebook_shim 0.2.4numba 0.58.0numpy 1.22.4oauthlib3.2.2omegaconf 2.3.0onnx1.14.1onnxoptimizer 0.3.13onnxsim 0.4.33openai1.6.1openai-whisper20230918opencv-python 4.8.1.78opt-einsum3.3.0orjson3.9.9overrides 7.7.0packaging 23.2pandas2.0.3pandocfilters 1.5.1parso 0.8.4peft0.7.1pickleshare 0.7.5Pillow10.0.1pip 24.0pkgutil_resolve_name1.3.10platformdirs3.11.0playsound 1.3.0pooch 1.7.0portalocker 2.8.2praat-parselmouth 0.4.3prometheus_client 0.20.0prompt_toolkit3.0.45protobuf4.25.1psutil5.9.5pure-eval 0.2.2pyarrow 13.0.0pyasn10.5.0pyasn1-modules0.3.0PyAudio 0.2.12pycparser 2.21pydantic2.5.3pydantic_core 2.14.6pydeck0.8.1b0pydub 0.25.1Pygments2.16.1pynini2.1.5pynvml11.5.0PyOpenGL3.1.7pyparsing 3.1.1python-dateutil 2.8.2python-json-logger2.0.7python-multipart0.0.9pytz2023.3.post1PyWavelets1.4.1pywin32 306pywinpty2.0.13pyworld 0.3.0PyYAML6.0.1pyzmq 26.0.3qtconsole 5.5.2QtPy2.4.1referencing 0.30.2regex 2023.10.3requests2.32.3requests-oauthlib 1.3.1resampy 0.4.2rfc3339-validator 0.1.4rfc3986-validator 0.1.1rich13.6.0rpds-py 0.10.4rsa 4.9ruff0.4.7sacrebleu 2.3.1sacremoses0.1.1safetensors 0.4.3scikit-image0.18.1scikit-learn1.3.1scikit-maad 1.3.12scipy 1.7.3semantic-version2.10.0Send2Trash1.8.3sentencepiece 0.1.99setuptools69.5.1shellingham 1.5.4six 1.16.0smmap 5.0.1sniffio 1.3.0sounddevice 0.4.5SoundFile 0.10.3.post1soupsieve 2.5sse-starlette 1.8.2stack-data0.6.3starlette 0.32.0.post1streamlit 1.29.0sympy 1.12tabulate0.9.0tenacity8.2.3tensorboard 2.13.0tensorboard-data-server 0.7.1tensorboardX2.6.2.2tensorflow2.13.0tensorflow-estimator2.13.0tensorflow-intel2.13.0tensorflow-io-gcs-filesystem0.31.0termcolor 2.3.0terminado 0.18.1threadpoolctl 3.2.0tifffile2023.7.10tiktoken0.3.3timm0.9.12tinycss21.3.0tokenizers0.19.1toml0.10.2tomli 2.0.1tomlkit 0.12.0toolz 0.12.0torch 2.1.0+cu121torchaudio2.1.0+cu121torchcrepe0.0.22torchvision 0.16.0+cu121tornado 6.3.3tqdm4.63.0traitlets 5.14.3transformers4.41.2transformers-stream-generator 0.0.4trimesh 4.0.0typeguard 4.3.0typer 0.12.3types-python-dateutil 2.9.0.20240316typing_extensions 4.12.0tzdata2023.3tzlocal 5.1uri-template1.3.0urllib3 2.2.1uvicorn 0.25.0validators0.22.0vector_quantize_pytorch 1.14.8vocos 0.1.0watchdog3.0.0wcwidth 0.2.13webcolors 1.13webencodings0.5.1websocket-client1.8.0websockets11.0.3Werkzeug3.0.0WeTextProcessing0.1.12wget3.2wheel 0.43.0widgetsnbextension4.0.11win32-setctime1.1.0wrapt 1.15.0yarl1.9.2zipp3.17.0
WebUI 代码如下(目前只是演示基本功能,比较简陋):
import gradio as grfrom transformers import pipelineimport numpy as npfrom ChatTTS.experimental.llm import llm_apiimport ChatTTSchat = ChatTTS.Chat()chat.load_models(compile=False) # 设置为True以获得更快速度API_KEY = 'sk-xxxxxxxx' # 需要自行到 https://platform.deepseek.com/api_keys 申请client = llm_api(api_key=API_KEY,base_url="https://api.deepseek.com",model="deepseek-chat")transcriber = pipeline("automatic-speech-recognition", model="openai/whisper-base")def transcribe(audio):sr, y = audioy = y.astype(np.float32)y /= np.max(np.abs(y))user_question = transcriber({"sampling_rate": sr, "raw": y})["text"]text = client.call(user_question, prompt_version = 'deepseek')wav = chat.infer(text, use_decoder=True)audio_data = np.array(wav[0]).flatten()sample_rate = 24000return (sample_rate, audio_data)demo = gr.Interface(transcribe,gr.Audio(sources=["microphone"]),"audio",)demo.launch()
在此基础上,可以增加更多功能:
ASR 模型这里只使用 openai/whisper-base,可以在页面上选择多种模型;
DeepSeek v2 API 使用了默认参数配置,可以在页面上增加一些额外参数,如 temperature 和 system prompt 等;
ChatTTS 可以增加如 speaker 身份,打断和笑声控制,实现更丰富的输出;
支持流式对话,像 GPT-4o 那样自然打断;
53AI,企业落地大模型首选服务商
产品:场景落地咨询+大模型应用平台+行业解决方案
承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业
2026-07-06
OpenAI Codex 产品经理:AI 不是让你做更快,是让你做以前不敢做的事
2026-07-06
治理与进化,如何成为企业级 Agent 的两条生死线?
2026-07-06
腾讯混元 Hy3,正式发布
2026-07-06
我拿到了微信Agent的灰测!!感觉又要被取代了
2026-07-06
循环工程:Karpathy方法——以及使其效率提升 5 倍的工作流程
2026-07-06
手机端 Agent 评测:从方法论到工程实践
2026-07-06
长上下文方案对比:一文讲清从 RAG、KV Cache 到百万上下文的工程取舍
2026-07-05
Hermes 的记忆层有 8 种实现,我为什么选了最反常识的那个
2026-04-15
2026-04-24
2026-04-17
2026-04-14
2026-04-24
2026-05-19
2026-04-22
2026-04-24
2026-04-24
2026-04-08
欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。
在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。
一、 定义
本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。
会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。
知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。
二、 账号注册与登录
登录方式:本网站支持以下登录方式,您可根据实际情况选择:
微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。
手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。
账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。
实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。
未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。
三、 服务内容与规范
知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。
服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。
禁止行为:您在使用服务时不得实施以下行为:
利用技术手段批量爬取、下载、转存知识库内容;
将知识库内容用于商业目的或未经授权地向第三方传播;
干扰本网站正常运行或侵犯其他用户合法权益;
发布违法违规信息或从事违反公序良俗的活动。
四、 知识产权声明
权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。
有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。
侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。
五、 个人信息保护
我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。
您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。
您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。
六、 免责声明
内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。
不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。
第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。
七、 违约责任
如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。
如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。
八、 法律适用与争议解决
本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。
因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。
九、 其他
本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。
本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。
我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。