逐步掌握最佳Ai Agents框架-AutoGen 六 语音AI代理

从LangChain使用Agent的懵懵懂懂，到AutoGen的"放肆"Agents,这周的学习和写作实在太幸福了。假如您是第一次接触AugoGen,请先要查看AutoGen官方文档，或翻阅AutoGen系列的前几篇。

逐步掌握最佳Ai Agents框架-AutoGen 一

逐步掌握最佳Ai Agents框架-AutoGen 二

逐步掌握最佳Ai Agents框架-AutoGen 三 写新闻稿新方式

[逐步掌握最佳Ai Agents框架-AutoGen 四 多代理群聊实例](https://juejin.cn/post/7301948815752790054 "https://juejin.cn/post/7301948815752790054")

逐步掌握最佳Ai Agents框架-AutoGen 五 与LangChain手拉手 - 掘金 (juejin.cn)

前言

在上篇文章中， 我们结合了LangChain和AutoGen新旧两个AI框架，打造了一个AI写手。LangChain负责专家知识库功能，AutoGen基于这个AI知识库做写作、发邮件等。

这个项目与用户的交互是基于文字的， 本篇文章将优化产品体验。我们将使用AutoGen + LangChain + ChromaDB + PlayHT 一起来打造一款能够语音交互的AI代理。

需求

我们主要在上篇文章的项目中加入语音功能。prompt 需求如下：

user_proxy.initiate_chat( assistant, message=""" I'm writing a blog to introduce the version 3 of Uniswap protocol. Find the answers to the 3 questions below and write an introduction based on them and speak it out loudly.
1. What is Uniswap? 2. What are the main changes in Uniswap version 3? 3. How to use Uniswap? Start the work now.

现在的prompt多加了and speak it out loudly,大家有没有思路？先让我们来看看PlayHT

PlayHT

让代理生成的文字，转换成语音，给大家介绍PlayHT,非常的好用。

在注册、登录后呢，我们可以拿到它的api-key。免费额度，用于测试和学习够了，如果有商业化需要，可以查看付费计划。

我们会安装它的python库pyht，用到它的User-ID、Secret Key，

PlayHT 的Demo, 代码来自pyht/demo/main.py at master · playht/pyht (github.com)

from typing import Generator, Iterable

import time
import threading
import os
import re
import numpy as np
import simpleaudio as sa

from pyht.client import Client, TTSOptions
from pyht.protos import api_pb2

def play_audio(data: Generator[bytes, None, None] | Iterable[bytes]):
    buff_size = 10485760
    ptr = 0
    start_time = time.time()
    buffer = np.empty(buff_size, np.float16)
    audio = None
    for i, chunk in enumerate(data):
        if i == 0:
            start_time = time.time()
            continue  # Drop the first response, we don't want a header.
        elif i == 1:
            print("First audio byte received in:", time.time() - start_time)
        for sample in np.frombuffer(chunk, np.float16):
            buffer[ptr] = sample
            ptr += 1
        if i == 5:
            # Give a 4 sample worth of breathing room before starting
            # playback
            audio = sa.play_buffer(buffer, 1, 2, 24000)
    approx_run_time = ptr / 24_000
    time.sleep(max(approx_run_time - time.time() + start_time, 0))
    if audio is not None:
        audio.stop()


def convert_text_to_audio(
    text: str
):
    text_partitions = re.split(r'[,.]', text)

    # Setup the client
    client = Client(os.environ['PLAY_HT_USER_ID'], os.environ['PLAY_HT_API_KEY'])

    # Set the speech options
    voice = "s3://voice-cloning-zero-shot/d9ff78ba-d016-47f6-b0ef-dd630f59414e/female-cs/manifest.json"
    options = TTSOptions(voice=voice, format=api_pb2.FORMAT_WAV, quality="faster")

    # Get the streams
    in_stream, out_stream = client.get_stream_pair(options)

    # Start a player thread.
    audio_thread = threading.Thread(None, play_audio, args=(out_stream,))
    audio_thread.start()

    # Send some text, play some audio.
    for t in text_partitions:
        in_stream(t)
    in_stream.done()

    # cleanup
    audio_thread.join()
    out_stream.close()

    # Cleanup.
    client.close()
    return 0

我们重点会使用的是convert_text_to_audio,代码直接来自PlayHT官方，拿来就用，不做过多解释。

AutoGen思路

AutoGen怎么在原有代码里面，集成PlayHT呢？这让我想到了最近几次都在用的agents with function calls。 当proxy 把任务交给assistant时，assistant通过语议分析，convert_text_to_audio可以完成speak it out loudly， 告知proxy 执行这个函数。要实现这个功能，我们需要在原有的functions配置中加一个函数。代码如下：

llm_config={ 
    "request_timeout": 600,
    "seed": 42,
    "config_list": config_list,
    "temperature": 0, 
    "functions": [ 
        { "name": "answer_uniswap_question", 
                "description": "Answer any Uniswap related questions", 
                "parameters": { 
                    "type": "object", 
                    "properties": { 
                        "question": 
                        { "type": "string", 
                            "description": "The question to ask in relation to Uniswap protocol", } }, "required": ["question"], }, 
                            
        },
      
         {
                    "name": "convert_text_to_audio",
                    "description": "Convert text to audio and speak it out loud",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "text": {
                                "type": "string",
                                "description": "The text to be converted and spoken out loud",
                            }
                        },
                        "required": ["text"],
                    },
                }

    ],
}

上面的代码，我们就在llm_config中多添加了一个convert_text_to_audio的函数声明。接着，我们在proxy agent的实例化代码里加上这个函数。

user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=10,
    code_execution_config={"work_dir": "."},
    llm_config=llm_config,
    system_message="""Reply TERMINATE if the task has been solved at full satisfaction.
Otherwise, reply CONTINUE, or the reason why the task is not solved yet.""",
    function_map={
        "answer_uniswap_question": answer_uniswap_question,
        "convert_text_to_audio": convert_text_to_audio
    }
)

user_proxy 相比上一篇文章里,在function_map中添加了convert_text_to_audio声明。

当我们再执行user_proxy.initiate_chat上面的代码时，就会在之前项目反馈的项目之后， 再加上语音语出来。

总结

本文之所以独立成文，一是上篇文章内容比较多，二是以加餐的形式，让大家再回味一下LangChain和AutoGen合作的精彩。我们主要为AI助理添加了语音功能。今天的收获主要有以下：

• AI服务类产品的使用， 比如数字人、语音生成等，下次开个文章汇集下好用的AI服务
• agents with function calls 是我们增加或控制AutoGen 解决问题能力的法宝，也是AutoGen chat协作简单架构模式与其它功能或框架交流的接口。

感谢大家的阅读， 如果您也在学习AutoGen/LangChan, 请在评论区多多交流。 闭关一年，学习AI，加油....

参考资料

• AutoGen | AutoGen (microsoft.github.io)

• AutoGen + LangChain + PlayHT = 会说话的超级AI助理_哔哩哔哩_bilibili

• 代码来自于 LangChain-Advanced/Integrations/AutoGen/autogen_langchain_uniswap_agent_speak.ipynb at main · sugarforever/LangChain-Advanced (github.com)