2026年7月2日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

我用阿里最有诚意的开源,拼成了开源的GPT-4o 之一

发布日期:2024-07-17 13:32:10 浏览次数: 4062
作者:AI带路党

微信搜一搜,关注“AI带路党”

在看了阿里最有诚意的开源项目:FunAudioLLM 我就有了个想法,为什么不把它搞成个语音入,语音出的家伙呢?

这样,也许我就有了J.A.R.V.I.S 的基础部分,语音对话能力。因为FunAudioLLM提供了语音输入与语音输出两个模型(输出还提供声音定制能力)。

大脑,也有啊,阿里的另一个诚意开源项目QWen2,也是开源模型里能打的扛把子啊。

于是,你看,下面这东西是不是很完美?

实际效果我们看看吧,它是一个完全基于Web的版本,当然了,如果你愿意改成其它类型的App也不是啥难事。反正现在有GPT一类的助手,Wrap一个App也是很轻松的事!

给你个最终的生成结果声音听一下:

安装

这个过程也没有想象的那么麻烦,安装三个基础模型的运行环境。

第一个我选择了 CosyVoice

其实是可以完全按官方提供的说明进行安装与配置的,不过你要考虑国内的环境问题,可能有一些要特殊处理。

#下面这几步居然需要魔法了,你敢信?????程序员得罪谁了?git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git# If you failed to clone submodule due to network failures, please run following command until successcd CosyVoicegit submodule update --init --recursive

安装conda这事不用说了,如果你不会用conda,那你大概率也不会看到这篇文章吧。

接来来假设你用的是Ubuntu系统,我的是22.04

conda create -n cosyvoice python=3.8conda activate cosyvoice# pynini is required by WeTextProcessing, use conda to install it as it can be executed on all platform.conda install -y -c conda-forge pynini==2.1.5pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com
# If you encounter sox compatibility issues# ubuntusudo apt-get install sox libsox-dev

到这儿,环境肯定是安装完了。下载模型吧,国内的modescope提供的下载镜像真的是快啊。

你可以运行python命令,然后在python的交互过程中执行下面的python代码。


# SDK模型下载from modelscope import snapshot_downloadsnapshot_download('iic/CosyVoice-300M', local_dir='pretrained_models/CosyVoice-300M')snapshot_download('iic/CosyVoice-300M-SFT', local_dir='pretrained_models/CosyVoice-300M-SFT')snapshot_download('iic/CosyVoice-300M-Instruct', local_dir='pretrained_models/CosyVoice-300M-Instruct')snapshot_download('iic/CosyVoice-ttsfrd', local_dir='pretrained_models/CosyVoice-ttsfrd')

测试一下

export PYTHONPATH=third_party/Matcha-TTS #这一步很重要
下面的代码存成个python文件,就可以直接测试执行一下了。
from cosyvoice.cli.cosyvoice import CosyVoicefrom cosyvoice.utils.file_utils import load_wavimport torchaudio
cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M-SFT')# sft usageprint(cosyvoice.list_avaliable_spks())output = cosyvoice.inference_sft('你好,我是通义生成式语音大模型,请问有什么可以帮您的吗?', '中文女')torchaudio.save('sft.wav', output['tts_speech'], 22050)
cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M')# zero_shot usage, <|zh|><|en|><|jp|><|yue|><|ko|> for Chinese/English/Japanese/Cantonese/Koreanprompt_speech_16k = load_wav('zero_shot_prompt.wav', 16000)output = cosyvoice.inference_zero_shot('收到好友从远方寄来的生日礼物,那份意外的惊喜与深深的祝福让我心中充满了甜蜜的快乐,笑容如花儿般绽放。', '希望你以后能够做的比我还好呦。', prompt_speech_16k)torchaudio.save('zero_shot.wav', output['tts_speech'], 22050)# cross_lingual usageprompt_speech_16k = load_wav('cross_lingual_prompt.wav', 16000)output = cosyvoice.inference_cross_lingual('<|en|>And then later on, fully acquiring that company. So keeping management in line, interest in line with the asset that\'s coming into the family is a reason why sometimes we don\'t buy the whole thing.', prompt_speech_16k)torchaudio.save('cross_lingual.wav', output['tts_speech'], 22050)
cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M-Instruct')# instruct usage, support <laughter></laughter><strong></strong>[laughter][breath]output = cosyvoice.inference_instruct('在面对挑战时,他展现了非凡的<strong>勇气</strong>与<strong>智慧</strong>。', '中文男', 'Theo \'Crimson\', is a fiery, passionate rebel leader. Fights with fervor for justice, but struggles with impulsiveness.')torchaudio.save('instruct.wav', output['tts_speech'], 22050)

如果你能顺利得到几个生成的音频文件,那就说明你成功了一大半了。

第二个是SenseVoice

如果你顺利了使用了CosyVoice,那下面这操作的就很简单了。

git clone https://github.com/FunAudioLLM/SenseVoice.git cd SenseVoicepip install -r requirements.txt #如果你想快一点儿,可以加上 -i https://pypi.tuna.tsinghua.edu.cn/simple

接下来执行下面的测试代码

from model import SenseVoiceSmall
model_dir = "iic/SenseVoiceSmall"m, kwargs = SenseVoiceSmall.from_pretrained(model=model_dir)

res = m.inference(data_in="https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_zh.wav",language="zh", # "zn", "en", "yue", "ja", "ko", "nospeech"use_itn=False,**kwargs,)
print(res)

如果能正常执行,你会得到一个输出如下:

([{'key': 'wav_file_tmp_name', 'text': '<|zh|><|NEUTRAL|><|Speech|><|woitn|>欢迎大家来体验打摩院推出的语音识别模型'}], {'load_data': '0.338', 'extract_feat': '0.020', 'batch_data_time': 5.58})

第三个是Ollama + Qwen2

现在你已经验证了可以正常获得STT与TTS了。接下来自然是大脑Qwen2了。考虑到做成服务的便捷与可替换性,我们选择了个比较流行的LLM服务框架:Ollama。这是一个专门运行llama一系列的服务。

#linux为主的一个安装方法,前提你已经安装好了nvidia的一系列驱动了。
sudo curl -L https://ollama.com/download/ollama-linux-amd64 -o /usr/bin/ollamasudo chmod +x /usr/bin/ollamasudo useradd -r -s /bin/false -m -d /usr/share/ollama ollama
#编辑一个下面的文件:/etc/systemd/system/ollama.service
[Unit]Description=Ollama ServiceAfter=network-online.target
[Service]ExecStart=/usr/bin/ollama serveUser=ollamaGroup=ollamaRestart=alwaysRestartSec=3
[Install]WantedBy=default.target
#再执行下面的服务命令,重新启动与设置一下服务
sudo systemctl daemon-reloadsudo systemctl enable ollama
#再启动一下
sudo systemctl start ollama
#再运行一下 ollama 执行特定的模型,好了,你就能进入到一个简单的对话界面。如果好用了,就是好用了。
ollama run qwen2:7b

现在你可以确认,所有的基础部件都完成了安装了!

接口调用

我写了个简单的python文件,把它们都调用了一下。

import sys
sys.path.append("/data/home/todo/SenseVoice") sys.path.append("/data/home/todo/CosyVoice") import requestsfrom model import SenseVoiceSmallfrom cosyvoice.cli.cosyvoice import CosyVoiceimport torchaudio
# Paths and URLsaudio_file_path = "/data/home/todo/aliAllInOne/asr_example_zh.wav"# Replace with the path to your audio fileollama_url = "http://localhost:11434/api/generate"cosyvoice_model_path = '/data/home/todo/CosyVoice/pretrained_models/CosyVoice-300M-SFT'generated_audio_path = "/data/home/todo/aliAllInOne/generated_audio.wav"
# Load the SenseVoiceSmall modelmodel_dir = "iic/SenseVoiceSmall"model_dir = "/home/todo/.cache/modelscope/hub/iic/SenseVoiceSmall"m, kwargs = SenseVoiceSmall.from_pretrained(model=model_dir)
# Step 1: Perform inference using SenseVoiceSmalldef call_sense_voice_small(audio_path, language="zh"):res = m.inference(data_in=audio_path,language=language,use_itn=False,**kwargs,)return res[0][0]['text']#return res
# Step 2: Call the Ollama servicedef call_ollama_service(content):response = requests.post(ollama_url,json={"model": "qwen2:7b","prompt": content,"format": "json", "stream": False})print(response)print(response.status_code, type(response.status_code))if response.status_code == 200:return response.json()["response"]else:return "Error: Unable to get response from Ollama service."
# Step 3: Generate speech using CosyVoicedef generate_speech_with_cosyvoice(text, speaker="中文女"):cosyvoice = CosyVoice(cosyvoice_model_path)output = cosyvoice.inference_sft(text, speaker)torchaudio.save(generated_audio_path, output['tts_speech'], 22050)
# Main function to execute the stepsdef main():# Step 1: Call SenseVoiceSmallsense_voice_result = call_sense_voice_small(audio_file_path)print("SenseVoiceSmall Result:", sense_voice_result)
# Step 2: Call Ollama Serviceollama_result = call_ollama_service(sense_voice_result)print("Ollama Service Result:", ollama_result)
# Step 3: Generate and save the speechgenerate_speech_with_cosyvoice(ollama_result)print(f"Generated audio saved to {generated_audio_path}")
if __name__ == "__main__":main()

你那生成的语音是什么呢?下面的是我的程序生成的!

界面

交给你自己完成吧,毕竟我也搞了一个基础了嘛。

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

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

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。


已查阅