个人语音AI助手

向右看齐 2024-03-22 21:06 114阅读 0赞

在3分钟内使用OpenAI GPT5，OpenAI Whisper和Coqui TTS构建您自己的个人语音AI助手，例如Alexa

将AI工具（OpenAI GPT3，OpenAI Whisper，Coqui TTS）放在一起以创建基本个人语音AI助手的教程。

在 5 分钟内引导您了解如何构建自己的简单 Alexa。这是一个非常简单的语音AI助手，您可以使用Python脚本从头开始创建。

步骤\#0：设置

pip install -U openai-whisper
    pip install sounddevice
    pip install scipy
    pip install openai
    pip install python-dotenv
    pip install TTS

步骤\#1：提出问题并录制您的声音。

import sounddevice as sd
    from scipy.io.wavfile import write
    
    # 采样频率
    # 无论原始音频文件中使用的采样率是多少，音频信号都会被重新采样为 16kHz
    # 通过 ffmpeg任何高于 16kHz 的频率都能正常工作。
    # https://github.com/openai/whisper/discussions/870.
    freq = 44100
    
    #  以秒为单位的录音时长
    duration = int(input("select duration of the audio: "))
    
    # 给定的持续时间和采样频率
    
    recording = sd.rec(int(duration * freq), 
                       samplerate=freq, channels=2)
    
    # 录制指定秒数的音频
    sd.wait()
    
    write("question1.wav", freq, recording)

步骤\#2：将音频转换为文本。

import whisper
    
    model = whisper.load_model("base")
    result = model.transcribe(audio_path)
    '''
    result looks like this:
    {'text': ' How do you follow Will Smith in the snow?',
     'segments': [{'id': 0,
       'seek': 0,
       'start': 0.0,
       'end': 3.24,
       'text': ' How do you follow Will Smith in the snow?',
       'tokens': [50364,
        1012,
        360,
        291,
        1524,
        3099,
        8538,
        294,
        264,
        5756,
        30,
        50526],
       'temperature': 0.0,
       'avg_logprob': -0.2659930999462421,
       'compression_ratio': 0.8723404255319149,
       'no_speech_prob': 0.02715839259326458}],
     'language': 'en'}

步骤\#3：使用ChatGPT回答问题。

import os
    import openai
    
    from dotenv import load_dotenv
    
    load_dotenv()
    openai.api_key = os.getenv("OPENAI_API_KEY")
    prompt = result['text'].strip()
    
    # API reference: https://platform.openai.com/docs/api-reference/completions/create
    response = openai.Completion.create(
      model="text-davinci-003",
      prompt=prompt,
      max_tokens=1000,
      temperature=0.6
    )
    
    '''
    response =
    <OpenAIObject text_completion id=cmpl-xxx at xxx> JSON: {
         
      "choices": [
        {
         
          "finish_reason": "stop",
          "index": 0,
          "logprobs": null,
          "text": "\n\nIt's not possible to physically follow Will Smith in the snow unless he invites you to join him. However, you can stay up to date with what he is doing in the snow by following him on social media or watching him in any interviews or videos he posts online."
        }
      ],
      "created": 1679637674,
      "id": "cmpl-xxx",
      "model": "text-davinci-003",
      "object": "text_completion",
      "usage": {
         
        "completion_tokens": 56,
        "prompt_tokens": 10,
        "total_tokens": 66
      }
    }

步骤\#4：将文本转换为音频。 text = response\["choices"\]\[0\]\["text"\] tts.tts\_to\_file(text=text, speaker=tts.speakers\[0\], language=tts.languages\[0\], file\_path=f"\{questions\_path\}/output.wav") 您可以在我的GitHub上的文件或源代码中看到结果。.wav

就是这样！现在，我将开始研究如何构建以将其投入生产。如果你喜欢这个故事，请关注我，看看我的AI之旅！

永不停止学习，

gTTS：

#https://www.geeksforgeeks.org/convert-text-speech-python/
    # Import the required module for text
    # to speech conversion
    from gtts import gTTS
    
    # This module is imported so that we can
    # play the converted audio
    import os
    
    # The text that you want to convert to audio
    mytext = 'Welcome to geeksforgeeks,life is short, I love python!'
    
    # Language in which you want to convert
    language = 'en'
    
    # Passing the text and language to the engine,
    # here we have marked slow=False. Which tells
    # the module that the converted audio should
    # have a high speed
    myobj = gTTS(text=mytext, lang=language, slow=False)
    
    # Saving the converted audio in a mp3 file named
    # welcome
    myobj.save("welcome.mp3")
    
    # Playing the converted file
    os.system("welcome.mp3")

mp3提示打开播放器

如果你只想要源代码，我的Github链接就在这里。

对于用Python实现文本转语音,追求自然效果的话,我推荐使用以下几个语音合成库:

1.  Coqui TTS 这是一个基于神经网络的端到端文本转语音开源项目,可以生成非常逼真的人声。需要提前训练好模型,但效果很棒。
2.  pyttsx3 调用了语音合成引擎接口,支持多种语音引擎后端。语音效果还不错,使用简单。
3.  gTTS Google Text-to-Speech的Python接口,语音效果清晰流畅。可以直接用来合成语音。
4.  aws-sdk Amazon Polly服务的Python SDK,提供了很多高质量的语音。通过API可以直接合成语音。
5.  espnet TTS 基于ESPnet工具包的文本转语音实现,支持多种语音模型,效果较好。 个人建议使用Coqui TTS或espnet TTS,这两个开源项目对生成自然效果语音有很多研究,可以通过调教模型达到非常逼真的语音。其他几个库使用较简单,也都可以实现较好的语音合成效果。

本文由[ mdnice ][mdnice]多平台发布

[mdnice]: https://mdnice.com/?platform=4