文章目录
- 前言
- 思路:
- 环境配置
- 代码
-
- [1. 加载Whisper模型](#1. 加载Whisper模型)
- [2. 使用Whisper语音转文本](#2. 使用Whisper语音转文本)
- [3. 使用OpenAI API生成文本进行智能问答](#3. 使用OpenAI API生成文本进行智能问答)
- [4. 实现文本转语音功能](#4. 实现文本转语音功能)
- [5. 合并音频文件](#5. 合并音频文件)
- [6. 构建Gradio界面](#6. 构建Gradio界面)
- 注意
- 总结
前言
在本篇博客中,我将分享如何利用Whisper模型进行语音转文本(ASR),通过Edge TTS实现文本转语音(TTS),并结合OpenAI API实现文本生成的语音与文本交互系统。这个系统可以用于构建智能助手、语音交互应用等场景。
前段时间学了英伟达系列课程,最近有时间基于视频中的demo设计了一个支持文本和语音问答的ai机器人。实现效果如下:
代码运行后台:
一个内网ip可供访问,
一个公网ip 72小时有效
视频效果展示:
AI 音频/文本对话机器人
参考链接:https://github.com/kinfey/Microsoft-Phi-3-NvidiaNIMWorkshop/
思路:
左边用户输入音频或者文本。输入音频需要通过whisper model转为文本。然后输入到LLM中进行QA问答输出文本。之后通过egde_tts转换为音频。Gradio网页同时输出音频和文本。
环境配置
首先,安装所需的Python库:
bash
# ! pip install whisper pydub
# ! pip install gradio
# ! pip install openai-whisper==20231117
# ! pip install ffmpeg==1.4
# ! pip install edge-tts
# ! pip install transformers
# ! pip install openai
代码
1. 加载Whisper模型
Whisper是OpenAI推出的一款强大的语音识别模型。我们可以选择不同尺寸的模型,以下代码展示了如何加载tiny模型:
python
import whisper
select_model = "tiny" # 可选模型:['tiny', 'base']
whisper_model = whisper.load_model(select_model)
2. 使用Whisper语音转文本
使用Whisper模型可以将音频转换为文本。以下函数实现了这一功能:
python
def convert_to_text(audio_path):
result = whisper_model.transcribe(audio_path, word_timestamps=True, fp16=False, language='English', task='translate')
return result["text"]
3. 使用OpenAI API生成文本进行智能问答
这里用到的是英伟达提供的api,大家可以换不同的模型,也可以参考这一篇文章注册一个账号,新用户有一定的免费额度。
python
def phi_demo(prompt):
client = OpenAI(
base_url="https://integrate.api.nvidia.com/v1",
api_key="你的API key"
)
completion = client.chat.completions.create(
model="microsoft/phi-3-mini-128k-instruct",
messages=[{"role": "user", "content": prompt}],
temperature=0.4,
top_p=0.7,
max_tokens=512,
stream=True
)
result = ""
for chunk in completion:
if chunk.choices[0].delta.content is not None:
result += chunk.choices[0].delta.content
return result
4. 实现文本转语音功能
为了将文本转为语音,我们使用了Edge TTS库。这里注意将文本进行了切片分别生成音频。以下是主要函数:
python
import edge_tts
import asyncio
async def amain(TEXT, VOICE, OUTPUT_FILE):
communicate = edge_tts.Communicate(TEXT, VOICE)
await communicate.save(OUTPUT_FILE)
def edge_free_tts(chunks_list, speed, voice_name, save_path):
if len(chunks_list) > 1:
chunk_audio_list = []
if os.path.exists("./content/edge_tts_voice"):
shutil.rmtree("./content/edge_tts_voice")
os.mkdir("./content/edge_tts_voice")
for k, i in enumerate(chunks_list, 1):
OUTPUT_FILE = f"./content/edge_tts_voice/{k}.mp3"
loop = asyncio.new_event_loop()
asyncio.set_event_loop(loop)
loop.run_until_complete(amain(i, voice_name, OUTPUT_FILE))
chunk_audio_list.append(OUTPUT_FILE)
merge_audio_files(chunk_audio_list, save_path)
else:
loop = asyncio.new_event_loop()
asyncio.set_event_loop(loop)
loop.run_until_complete(amain(chunks_list[0], voice_name, save_path))
5. 合并音频文件
在处理长文本时,语音合成的结果可能会分为多个音频片段。我们需要将这些片段合并为一个完整的音频文件:
python
from pydub import AudioSegment
def merge_audio_files(audio_paths, output_path):
merged_audio = AudioSegment.silent(duration=0)
for audio_path in audio_paths:
audio = AudioSegment.from_file(audio_path)
merged_audio += audio
merged_audio.export(output_path, format="mp3")
6. 构建Gradio界面
为了让用户可以方便地与系统交互,我们使用Gradio库搭建了一个简单的Web界面:
python
import gradio as gr
def run_text_prompt(message, chat_history):
bot_message = phi_demo(message)
edge_save_path = talk(bot_message)
display(Audio(edge_save_path, autoplay=True))
chat_history.append((message, bot_message))
return edge_save_path, chat_history
with gr.Blocks() as demo:
chatbot = gr.Chatbot(label="Chat with Phi 3 mini 4k instruct")
msg = gr.Textbox(label="Ask anything")
msg.submit(run_text_prompt, [msg, chatbot], [msg, chatbot])
with gr.Row():
audio = gr.Audio(sources="microphone", type="filepath")
send_audio_button = gr.Button("Send Audio", interactive=True)
send_audio_button.click(run_audio_prompt, [audio, chatbot], [audio, chatbot])
demo.launch(share=True, debug=True)
注意
在edge-tts输出的音频为.MP3文件,然后我在中间加了一个代码将其转为.wav文件。(因为我这边web页面的音频一直输出失败,比较玄学)
python
def convert_mp3_to_wav(mp3_file_path, wav_file_path):
audio = AudioSegment.from_mp3(mp3_file_path)
audio.export(wav_file_path, format="wav")
总结
在这篇博客中,我们介绍了如何使用Whisper、Edge TTS与OpenAI API构建一个功能强大的语音与文本交互系统。这个系统可以广泛应用于语音助手、智能客服等场景,极大地提升用户体验。
后续优化的地方:
- 处理速度慢,后续将继续学习LLM 推理加速这一块。特别是音频分块后合成导致LLM生成文本后加载的时间比较长。
- 多进程,如果打开多个页面,会出现报错的现象。后续还要进一步排查。
- 因为英伟达api调用次数的限制,后续会部署自己的LLM open ai接口。
希望这篇博客能为你在语音处理和AI应用开发上提供帮助!如果你有任何问题或建议,欢迎在评论区讨论。