微信扫码
添加专属顾问
在当今快节奏的世界中,信息触手可及,我们经常需要寻找复杂问题的答案。但是,如果您只需对设备提问,就能通过语音获得简洁准确的回答呢?
这就是语音驱动的(音频)RAG的出现,它是一种将语音命令的便利性与问答智能相结合的创新系统。
在这里,用户可以通过语音命令与知识库进行互动。通过利用语音识别和自然语言处理的最新进展,Audio RAG 能够无缝地将您的语音问题转换为文本,进而从庞大的知识库中检索相关信息。
1.录制音频:系统首先使用麦克风录制您的语音。只需提出问题,Audio RAG 就会捕捉您的音频输入。2.语音转换为文本:一旦音频被录制,它将通过语音识别引擎进行处理。这个强大的工具会分析您的语音声学特性,并将其转换为文本格式,同时保留问题的含义和上下文。3.执行问答:在获得转录文本后,Audio RAG 利用先进的语言模型来理解问题背后的含义和意图。然后,它会搜索庞大的知识库,检索最相关的信息,为您提供简洁准确的答案。4.文本转换为语音:LLM 生成的回答将被转换为音频文件。
1.GROQ:这是一个快速的AI推理技术,由LPU™ AI推理技术提供支持,能够提供快速、经济且高效的AI。2.gTTS:gTTS(Google Text-to-Speech)是一个Python库和CLI工具,允许您与Google翻译的文本转语音API进行接口操作。它使您能够将文本转换为语音并保存为MP3文件。3.pydub:pydub是一个Python库,它提供了一个简单易用的高级接口,用于操作音频文件。它允许您对音频数据执行各种操作。4.LangChain:这是一个用于大语言模型应用开发的框架。5.HuggingFace嵌入模型:Hugging Face 是自然语言处理(NLP)和人工智能(AI)领域的一个著名平台,以其广泛的预训练模型和用于构建利用这些模型的应用程序的工具而闻名。Hugging Face 提供的一个关键功能是生成嵌入,这些嵌入是文本数据的密集向量表示。它们可用于各种任务,包括语义搜索、文本分类和聚类。6.Streamlit:Streamlit是一个开源Python框架,旨在快速轻松地构建和分享交互式数据应用程序。7.ChromaDB:ChromaDB 是一个开源的向量数据库,旨在促进向量嵌入的存储和检索,使其特别适用于涉及大语言模型(LLMs)和语义搜索的应用程序。
启用音频的RAG
!pip install langchain langchain_community langchain_groq chromadb sentence_transformers!pip install -U langchain-huggingface!pip install -U langchain-chroma!pip install python-dotenv
创建 .env 文件并设置您的 Groq API 密钥
GROQ_API_KEY=<你的API密钥>
设置 Groq API 密钥
import osfrom dotenv import load_dotenv# 从 .env 文件加载环境变量load_dotenv()
设置 LLM
llm = ChatGroq(model_name="llama3-70b-8192",temperature=0.1,max_tokens=1000,)
设置嵌入模型
from langchain_huggingface import HuggingFaceEmbeddingsmodel_name = "BAAI/bge-small-en-v1.5"model_kwargs = {"device": "cpu"}encode_kwargs = {"normalize_embeddings": False}embeddings = HuggingFaceEmbeddings(model_name=model_name,model_kwargs=model_kwargs,encode_kwargs=encode_kwargs)
设置文本分割辅助函数
# 文本分割器def text_splitter():text_splitter = RecursiveCharacterTextSplitter(chunk_size=512,chunk_overlap=20,length_function=len,)return text_splitter
设置 RetrievalQA 辅助函数
# RetrievalQAdef answer_question(question):retriever = vectorstore.as_retriever(search_kwargs={"k": 5})qa = RetrievalQA.from_chain_type(llm=llm,chain_type="stuff",retriever=retriever,return_source_documents=True)result = qa.invoke({"query": question})return result['result']使用 Groq distil-whisper-large-v3-en 转录音频的辅助函数
distil-whisper-large-v3-en:Distil-Whisper English 是 OpenAI Whisper 模型的一个压缩版本,旨在提供更快、成本更低的英语语音识别,同时保持相当的准确性。
•支持语言:仅限英语
import osfrom groq import Groq# 初始化 Groq 客户端client = Groq()# 指定音频文件的路径filename = "/content/recorded_audio.wav"def transcribe_audio(filename):# 打开音频文件with open(filename, "rb") as file:# 创建音频文件的转录transcription = client.audio.transcriptions.create(file=(filename, file.read()),# 必需的音频文件model="distil-whisper-large-v3-en",# 必需的用于转录的模型prompt="Specify context or spelling",# 可选的上下文或拼写提示response_format="json",# 可选的响应格式language="en",# 可选的语言temperature=0.0# 可选的温度参数)# 打印转录文本print(transcription.text)return transcription.text
将文本转换为语音的辅助函数
from gtts import gTTSdef text_to_audio(text):# 将文本转换为语音tts = gTTS(text=text, lang='en', slow=False)# 将音频保存为MP3文件mp3_file = "temp_audio.mp3"tts.save(mp3_file)return mp3_file
为 Streamlit 应用程序准备的完整代码实现.
请编写一个名为 audio_rag.py 的 Python 脚本。
import streamlit as stfrom time import sleep#from st_audiorec import st_audiorecfrom streamlit_mic_recorder import mic_recorderfrom streamlit_chat import messageimport osfrom groq import Groqfrom langchain_groq import ChatGroqfrom langchain_community.embeddings import HuggingFaceBgeEmbeddingsfrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain.document_loaders import PyPDFLoaderfrom langchain_chroma import Chromafrom langchain.chains import RetrievalQAfrom chromadb.config import Settingsimport chromadbfrom gtts import gTTSfrom pydub import AudioSegmentimport osfrom dotenv import load_dotenv# 从 .env 文件加载环境变量load_dotenv()设置 Chroma 配置chroma_setting = Settings(anonymized_telemetry=False)获取最新的文件路径def newest(path):files = os.listdir(path)paths = [os.path.join(path, basename) for basename in files]newest_file_path = max(paths, key=os.path.getctime)return os.path.basename(newest_file_path)文本转换为音频的辅助函数def text_to_audio(text):# 将文本转换为语音tts = gTTS(text=text, lang='en', slow=False)# 将音频保存为MP3文件mp3_file = "temp_audio.mp3"tts.save(mp3_file)return mp3_file保存上传的文件def save_uploaded_file(uploaded_file, directory):try:with open(os.path.join(directory, uploaded_file.name), "wb") as f:f.write(uploaded_file.getbuffer())return st.success(f"已保存文件:{uploaded_file.name} 到 {directory}")except Exception as e:return st.error(f"保存文件出错:{e}")创建用于保存上传文件的目录upload_dir = "uploaded_files"os.makedirs(upload_dir, exist_ok=True)设置 LLMllm = ChatGroq(model_name="llama3-70b-8192",temperature=0.1,max_tokens=1000,)设置嵌入模型model_name ="BAAI/bge-small-en-v1.5"model_kwargs ={"device":"cpu"}encode_kwargs ={"normalize_embeddings":False}embeddings = HuggingFaceBgeEmbeddings(model_name=model_name,model_kwargs=model_kwargs,encode_kwargs=encode_kwargs)设置文本分割器def text_splitter():text_splitter = RecursiveCharacterTextSplitter(chunk_size=512,chunk_overlap=20,length_function=len,)return text_splitter设置 RetrievalQAdef answer_question(question,vectorstore):retriever = vectorstore.as_retriever(search_kwargs={"k": 5})qa = RetrievalQA.from_chain_type(llm=llm,chain_type="stuff",retriever=retriever,return_source_documents=True)result = qa.invoke({"query": question})return result['result']初始化 Groq 客户端groq_client = Groq()指定音频文件的路径filename = "recorded_audio.wav"转录音频的辅助函数def transcribe_audio(filename):# 打开音频文件with open(filename, "rb") as file:# 创建音频文件的转录transcription = groq_client.audio.transcriptions.create(file=(filename, file.read()), # 必需的音频文件model="distil-whisper-large-v3-en", # 必需的用于转录的模型prompt="指定上下文或拼写",# 可选response_format="json",# 可选language="en",# 可选temperature=0.0# 可选)# 打印转录文本print(transcription.text)return transcription.text初始化 session state 变量if 'stop' not in st.session_state:st.session_state.stop = False设置页面配置st.set_page_config(page_title="音频和书籍应用程序",page_icon="?",# 您可以使用表情符号或图片URLlayout="wide")创建两列布局col1, col2 = st.columns([1, 2])# 调整比例控制列的宽度在左列显示内容with col1:st.markdown("""<h1 style='text-align: center;'>? 启用音频的 ? 知识应用程序</h1><h5 style='text-align: center;'>您的音频问答系统一站式解决方案!</h5>""",unsafe_allow_html=True)st.write("欢迎使用启用音频的 RAG 应用程序!")st.image("audio.jpeg", caption="音频驱动的 RAG", output_format="auto")if st.button("停止进程"):st.session_state.stop = True# 设置停止标志为 Trueif st.session_state.stop:st.write("进程已停止。您可以刷新页面重新开始。")在右列显示 PDF 上传和阅读器with col2:st.title("PDF 上传和阅读器")uploaded_file = st.file_uploader("选择一个 PDF 文件", type="pdf")persist_directory_path = "chromanew"if uploaded_file is not None:save_uploaded_file(uploaded_file, upload_dir)file_name = uploaded_file.nameloader = PyPDFLoader(f"uploaded_files/{file_name}")pages = loader.load_and_split(text_splitter())persist_directory = persist_directory_path + "_" + file_name.split(".")[0]if os.path.exists(persist_directory):client = chromadb.PersistentClient(path=persist_directory, settings=chroma_setting)vectorstore = Chroma(embedding_function=embeddings,client=client,persist_directory=persist_directory,collection_name=file_name.split(".")[0],client_settings=chroma_setting,)print(f"向量存储中加载的文档数量:{len(vectorstore.get()['documents'])}")else:client = chromadb.PersistentClient(path=persist_directory, settings=chroma_setting)vectorstore = Chroma(embedding_function=embeddings,client=client,persist_directory=persist_directory,collection_name=file_name.split(".")[0],client_settings=chroma_setting)MAX_BATCH_SIZE = 100for i in range(0, len(pages), MAX_BATCH_SIZE):i_end = min(len(pages), i+MAX_BATCH_SIZE)batch = pages[i:i_end]vectorstore.add_documents(batch)print(f"向量存储中加载的文档数量:{len(vectorstore.get()['documents'])}")创建一个按钮来启动进程if 'start_process' not in st.session_state:st.session_state.start_process = Falseif st.button("启动进程"):st.session_state.start_process = Trueif st.session_state.start_process:options = os.listdir("uploaded_files")none_list = ["none"]options += none_listselected_option = st.selectbox("选择一个选项:", options)file_name = newest("uploaded_files") if selected_option == "none" else selected_optionst.write(f"您选择了:{selected_option}")st.title("音频录制 - 根据所选选项提问")with st.spinner("正在进行音频录制..."):audio = mic_recorder(start_prompt="开始录制",stop_prompt="停止录制",just_once=False,key='recorder')if audio:st.audio(audio['bytes'], format='audio/wav')with open("recorded_audio.wav", "wb") as f:f.write(audio['bytes'])st.success("音频录制完成!")with st.spinner("正在进行音频转录..."):text = transcribe_audio(filename)transcription = textst.markdown(text)if "chat_history" not in st.session_state:st.session_state.chat_history = []for i, chat in enumerate(st.session_state.chat_history):message(chat["question"], is_user=True, key=f"question_{i}")message(chat["response"], is_user=False, key=f"response_{i}")if transcription:with st.spinner("正在生成回应..."):persist_directory = persist_directory_path + "_" + file_name.split(".")[0]client = chromadb.PersistentClient(path=persist_directory, settings=chroma_setting)vectorstore = Chroma(embedding_function=embeddings,client=client,persist_directory=persist_directory,collection_name=file_name.split(".")[0],client_settings=chroma_setting)response = answer_question(transcription, vectorstore)st.success("回应已生成")aud_file = text_to_audio(response)st.session_state.chat_history.append({"question": transcription, "response": response})message(transcription, is_user=True)message(response, is_user=False)st.title("音频播放")st.audio(aud_file, format='audio/wav', start_time=0)
运行 Streamlit 应用程序
streamlit run audio_rag.py
应用程序处理快照
1.浏览并上传 PDF 文件
2.现在向量存储已经加载,点击“启动进程”按钮。
3.开始录制您的问题。一旦问题录制完成,RAG 过程将被触发。应用程序屏幕上会显示相应的回答以及对应的音频。
4.如果您想在已上传的文档上进行问答,请选择知识来源选择框中的选项。
5.上传另一个文档。如果您想在当前上传的文档中进行问答,请选择“无”选项。
7.刷新屏幕以重新开始。
在本文中,我们探讨了使用Python开发音频驱动的问答系统(Audio RAG)。我介绍了其中的关键步骤,包括录制音频、将语音转换为文本以及使用RAG模型进行问答。通过结合这些技术,我们可以创建一个强大的系统,使用户能够使用语音命令与知识库进行交互。
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
2026-07-04
大模型支持的上下文已超 1M, RAG 是不是没有意义了?
2026-07-03
RAG 检索优化策略:从命中率到答案质量的一套工程打法
2026-07-03
RAG 落地总翻车?全球赛事冠军架构,改造适配企业级生产
2026-07-01
提升 RAG 准确率全攻略 让你的 AI 知识库 真正靠谱起来!
2026-06-30
教程:如何用AutoRAG + Milvus避免RAG 与Agent 中出现串租问题
2026-06-30
知识库不是文件堆——我把RAG准确率从60%调到了92%
2026-06-30
本体论语义建设新思路,另类RAG来解决检索问题
2026-06-30
别把RAG当架构:Ontology(本体)才是Agent的业务世界
2026-04-06
2026-04-27
2026-04-23
2026-04-20
2026-04-09
2026-04-12
2026-04-22
2026-04-10
2026-05-14
2026-04-30
2026-07-04
2026-06-23
2026-06-23
2026-06-15
2026-06-10
2026-06-10
2026-05-20
2026-05-18
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。