AI 音频/文本对话机器人：Whisper+Edge TTS+OpenAI API构建语音与文本交互系统（简易版）

---

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：

# ! 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：

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：

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。

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：

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：

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：

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）

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：

1. 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。
2. 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。
3. 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。