查看: 537|回复: 0

[M10项目] 行空板之云天智能音箱

本帖最后由云天于 2024-10-8 11:49 编辑

【项目背景】

随着智能家居和物联网技术的发展，语音交互已经成为人与设备沟通的重要方式之一。为了提供更加自然和便捷的用户体验，本项目旨在开发一个基于行空板的智能语音交互系统。该系统将集成先进的语音唤醒、人声检测、语音识别、对话处理和语音合成技术，以实现流畅的语音交互体验。

行空板之云天智能音箱图1

【项目设计】

语音唤醒：利用Snowboy库实现低功耗的语音唤醒功能，用户可以通过特定的唤醒词激活设备，而不需要手动操作。
人声检测：通过WebRTCVAD（Voice Activity Detection）技术进行人声检测，确保系统只在有人说话时开始录音，提高录音效率和准确性。
录音与暂停：当检测到人声时，系统开始录音；当语音停顿超过2秒时，系统自动停止录音，以减少无效录音。
语音识别：将录音文件发送给讯飞语音识别服务，将语音转换为文本，为后续的对话处理提供基础。
对话处理：将识别出的文本发送给Kimi进行对话处理，Kimi将根据文本内容生成合适的回复。
语音合成：将Kimi生成的文本回复发送给讯飞进行语音合成，转换成语音信号。
语音播放：利用行空板连接的蓝牙音箱播放合成的语音，为用户提供听觉反馈。

【技术亮点】

低功耗语音唤醒：Snowboy库提供了高效的离线语音唤醒功能，减少了设备的能耗。
实时人声检测：WebRTCVAD能够实时检测人声活动，确保录音的准确性。
智能对话处理：Kimi的智能对话系统能够理解用户意图并生成合适的回复。
高质量的语音合成：讯飞的语音合成技术能够生成自然流畅的语音输出。
无线音频输出：通过蓝牙音箱播放语音，提供了便捷的无线音频解决方案。

【语音唤醒】
1.windows系统上安装“snowboy”库：pip install snowboy
2.snowboy官网已停止运营了，可使用第三方:https://snowboy.hahack.com/，录制自己的唤醒词，并下载训练好的模型文件。

3.行空板系统上安装“snowboy”库

(1)获取Snowboy源码：
可以从GitHub上的Snowboy仓库克隆源代码：

git clone https://github.com/Kitt-AI/snowboy.git
复制代码

(2)编译Snowboy：

进入源码目录并编译Python wrapper：

cd snowboy/swig/Python
make
复制代码

(3）这将生成_snowboydetect.so文件和Python wrapper snowboydetect.py。

测试Snowboy：

进入示例目录并运行demo：

cd snowboy/examples/Python
python demo.py resources/models/snowboy.umdl
复制代码

按照提示说话，看是否能检测到唤醒词。

【唤醒词测试】

1.Mind+使用“终端“连接行空板，进入”行空板中的文件“——”snowboy“——”examples“——”Python3“，修改”demo.py“文件，并将下载的唤醒词文件yuntian.pmdl，上传至行空板当前目录。


import snowboydecoder
import sys
import signal
interrupted = False
def signal_handler(signal, frame):
   global interrupted
   interrupted = True

def interrupt_callback():
   global interrupted
   return interrupted

#if len(sys.argv) == 1:
#    print("Error: need to specify model name")
#    print("Usage: python demo.py your.model")
#    sys.exit(-1)

#model = sys.argv[1]
#model="./resources/models/snowboy.umdl"
model="yuntian.pmdl"
# capture SIGINT signal, e.g., Ctrl+C
signal.signal(signal.SIGINT, signal_handler)
detector = snowboydecoder.HotwordDetector(model, sensitivity=0.5)
print('Listening... Press Ctrl+C to exit')

# main loop

detector.start(detected_callback=snowboydecoder.play_audio_file,

               interrupt_check=interrupt_callback,

               sleep_time=0.03)
detector.terminate()
复制代码

【完整程序】

修改”snowboydecoder.py“文件，实现语音唤醒、人声检测、语音识别、对话处理和语音合成技术，以流畅的语音交互体验。


#!/usr/bin/env python


 

import collections

import pyaudio

import snowboydetect

import time

import wave

import os

import logging

from ctypes import *

from contextlib import contextmanager

import sys

sys.path.append("/root/mindplus/.lib/thirdExtension/liliang-xunfeiyuyin-thirdex")

sys.path.append("/root/mindplus/.lib/thirdExtension/mengchangfeng-kimi-thirdex")

import xunfeiasr

import openai

import json

from unihiker import Audio

from df_xfyun_speech import XfTts

from unihiker import GUI

import record


 

u_gui=GUI()

显示=u_gui.draw_text(text="Hi 云天",x=25,y=60,font_size=40, color="#0000FF")



 

appId = "5c7a6af2"    #填写控制台中获取的 APPID 信息

apiSecret = "YTYwZjMwMDYwNDVjYTU0OTFhY2RmNjEx"   #填写控制台中获取的 APISecret 信息

apiKey ="94932090baf7bb1eae2200ace714f424"    #填写控制台中获取的 APIKey 信息

u_audio = Audio()

options = {}

tts = XfTts(appId, apiKey, apiSecret, options)

xunfeiasr.xunfeiasr_set(APPID=appId,APISecret=apiSecret,APIKey=apiKey)


 

client = openai.OpenAI(api_key="sk-7EuCue2dQIFOWzaBpeavzSNjxrTi0KXbKVKKbDiN7n1vR8Mz", base_url="https://api.moonshot.cn/v1")

kimi_model = "moonshot-v1-8k"

kimi_temperature = 0.3

kimi_history = [

    {"role": "system", "content": """你是 Kimi，由 Moonshot AI 提供的人工智能助手，

    你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。

    回答问题的时候尽量精简词语，尽量将回答控制在100字以内。

    也不需要在回答中添加关于时效性或者是请注意之类的额外说明"""}

]


 

def kimi_chat(query, kimi_history, kimi_model, kimi_temperature):

    kimi_history.append({

        "role": "user",

        "content": query

    })

    completion = client.chat.completions.create(

        model=kimi_model,

        messages=kimi_history,

        temperature=kimi_temperature,

    )

    result = completion.choices[0].message.content

    kimi_history.append({

        "role": "assistant",

        "content": result

    })

    return result

interrupted = False




 

logging.basicConfig()

logger = logging.getLogger("snowboy")

logger.setLevel(logging.INFO)

TOP_DIR = os.path.dirname(os.path.abspath(__file__))


 

RESOURCE_FILE = os.path.join(TOP_DIR, "resources/common.res")

DETECT_DING = os.path.join(TOP_DIR, "resources/wzn.wav")

DETECT_DONG = os.path.join(TOP_DIR, "resources/dong.wav")


 

def py_error_handler(filename, line, function, err, fmt):

    pass


 

ERROR_HANDLER_FUNC = CFUNCTYPE(None, c_char_p, c_int, c_char_p, c_int, c_char_p)


 

c_error_handler = ERROR_HANDLER_FUNC(py_error_handler)


 

@contextmanager

def no_alsa_error():

    try:

        asound = cdll.LoadLibrary('libasound.so')

        asound.snd_lib_error_set_handler(c_error_handler)

        yield

        asound.snd_lib_error_set_handler(None)

    except:

        yield

        pass


 

class RingBuffer(object):

    """Ring buffer to hold audio from PortAudio"""


 

    def __init__(self, size=4096):

        self._buf = collections.deque(maxlen=size)


 

    def extend(self, data):

        """Adds data to the end of buffer"""

        self._buf.extend(data)


 

    def get(self):

        """Retrieves data from the beginning of buffer and clears it"""

        tmp = bytes(bytearray(self._buf))

        self._buf.clear()

        return tmp



 

def play_audio_file(fname=DETECT_DING):

    """Simple callback function to play a wave file. By default it plays

    a Ding sound.


 

    :param str fname: wave file name

    :return: None

    """

    ding_wav = wave.open(fname, 'rb')

    ding_data = ding_wav.readframes(ding_wav.getnframes())

    with no_alsa_error():

        audio = pyaudio.PyAudio()

    stream_out = audio.open(

        format=audio.get_format_from_width(ding_wav.getsampwidth()),

        channels=ding_wav.getnchannels(),

        rate=ding_wav.getframerate(), input=False, output=True)

    stream_out.start_stream()

    stream_out.write(ding_data)

    time.sleep(0.2)

    stream_out.stop_stream()

    stream_out.close()

    audio.terminate()



 

class HotwordDetector(object):

    """

    Snowboy decoder to detect whether a keyword specified by `decoder_model`

    exists in a microphone input stream.


 

    :param decoder_model: decoder model file path, a string or a list of strings

    :param resource: resource file path.

    :param sensitivity: decoder sensitivity, a float of a list of floats.

                              The bigger the value, the more senstive the

                              decoder. If an empty list is provided, then the

                              default sensitivity in the model will be used.

    :param audio_gain: multiply input volume by this factor.

    :param apply_frontend: applies the frontend processing algorithm if True.

    """


 

    def __init__(self, decoder_model,

                 resource=RESOURCE_FILE,

                 sensitivity=[],

                 audio_gain=1,

                 apply_frontend=False):


 

        tm = type(decoder_model)

        ts = type(sensitivity)

        if tm is not list:

            decoder_model = [decoder_model]

        if ts is not list:

            sensitivity = [sensitivity]

        model_str = ",".join(decoder_model)


 

        self.detector = snowboydetect.SnowboyDetect(

            resource_filename=resource.encode(), model_str=model_str.encode())

        self.detector.SetAudioGain(audio_gain)

        self.detector.ApplyFrontend(apply_frontend)

        self.num_hotwords = self.detector.NumHotwords()


 

        if len(decoder_model) > 1 and len(sensitivity) == 1:

            sensitivity = sensitivity * self.num_hotwords

        if len(sensitivity) != 0:

            assert self.num_hotwords == len(sensitivity), \

                "number of hotwords in decoder_model (%d) and sensitivity " \

                "(%d) does not match" % (self.num_hotwords, len(sensitivity))

        sensitivity_str = ",".join([str(t) for t in sensitivity])

        if len(sensitivity) != 0:

            self.detector.SetSensitivity(sensitivity_str.encode())


 

        self.ring_buffer = RingBuffer(

            self.detector.NumChannels() * self.detector.SampleRate() * 5)


 

    def start(self, detected_callback=play_audio_file,

              interrupt_check=lambda: False,

              sleep_time=0.03,

              audio_recorder_callback=None,

              silent_count_threshold=15,

              recording_timeout=100):

        """

        Start the voice detector. For every `sleep_time` second it checks the

        audio buffer for triggering keywords. If detected, then call

        corresponding function in `detected_callback`, which can be a single

        function (single model) or a list of callback functions (multiple

        models). Every loop it also calls `interrupt_check` -- if it returns

        True, then breaks from the loop and return.


 

        :param detected_callback: a function or list of functions. The number of

                                  items must match the number of models in

                                  `decoder_model`.

        :param interrupt_check: a function that returns True if the main loop

                                needs to stop.

        :param float sleep_time: how much time in second every loop waits.

        :param audio_recorder_callback: if specified, this will be called after

                                        a keyword has been spoken and after the

                                        phrase immediately after the keyword has

                                        been recorded. The function will be

                                        passed the name of the file where the

                                        phrase was recorded.

        :param silent_count_threshold: indicates how long silence must be heard

                                       to mark the end of a phrase that is

                                       being recorded.

        :param recording_timeout: limits the maximum length of a recording.

        :return: None

        """

        self._running = True


 

        def audio_callback(in_data, frame_count, time_info, status):

            self.ring_buffer.extend(in_data)

            play_data = chr(0) * len(in_data)

            return play_data, pyaudio.paContinue


 

        with no_alsa_error():

            self.audio = pyaudio.PyAudio()

        self.stream_in = self.audio.open(

            input=True, output=False,

            format=self.audio.get_format_from_width(

                self.detector.BitsPerSample() / 8),

            channels=self.detector.NumChannels(),

            rate=self.detector.SampleRate(),

            frames_per_buffer=2048,

            stream_callback=audio_callback)


 

        if interrupt_check():

            logger.debug("detect voice return")

            return


 

        tc = type(detected_callback)

        if tc is not list:

            detected_callback = [detected_callback]

        if len(detected_callback) == 1 and self.num_hotwords > 1:

            detected_callback *= self.num_hotwords


 

        assert self.num_hotwords == len(detected_callback), \

            "Error: hotwords in your models (%d) do not match the number of " \

            "callbacks (%d)" % (self.num_hotwords, len(detected_callback))


 

        logger.debug("detecting...")


 

        state = "PASSIVE"

        while self._running is True:

            if interrupt_check():

                logger.debug("detect voice break")

                break

            data = self.ring_buffer.get()

            if len(data) == 0:

                time.sleep(sleep_time)

                continue


 

            status = self.detector.RunDetection(data)

            if status == -1:

                logger.warning("Error initializing streams or reading audio data")


 

            #small state machine to handle recording of phrase after keyword

            if state == "PASSIVE":

                if status > 0: #key word found

                    self.recordedData = []

                    self.recordedData.append(data)

                    silentCount = 0

                    recordingCount = 0

                    

                    message = "Keyword " + str(status) + " detected at time: "

                    message += time.strftime("%Y-%m-%d %H:%M:%S",

                                         time.localtime(time.time()))

                    logger.info(message)

                    callback = detected_callback[status-1]

                    if callback is not None:

                        callback()

                        显示.config(text="听你说")

                        record.record_audio()

                        #u_audio.record("record.wav",6)

                        

                        text=xunfeiasr.xunfeiasr(r"record.wav")

                        

                        print(text)

                        texts=""

                        if(len(text)>7):

                            num_lines = (len(text) + 6) // 7

                            for i in range(num_lines):

                                   texts+=text[i*7:(i+1)*7]+"\n"

                            显示.config(text="你说：\n"+texts)

                        else:

                            显示.config(text="你说：\n"+text)

                        显示.config(font_size=20)

                        

                        

                        if(text):

                          text=kimi_chat(text,kimi_history, kimi_model, kimi_temperature)

                          显示.config(text="思考中")

                          显示.config(font_size=40)

                          tts.synthesis(text+"呢", "speech.wav")

                          显示.config(text="回答中")

                          u_audio.play("speech.wav")

                        显示.config(text="HI 云天")

                    if audio_recorder_callback is not None:

                        state = "ACTIVE"

                    continue


 

            elif state == "ACTIVE":

                stopRecording = False

                if recordingCount > recording_timeout:

                    stopRecording = True

                elif status == -2: #silence found

                    if silentCount > silent_count_threshold:

                        stopRecording = True

                    else:

                        silentCount = silentCount + 1

                elif status == 0: #voice found

                    silentCount = 0


 

                if stopRecording == True:

                    fname = self.saveMessage()

                    audio_recorder_callback(fname)

                    state = "PASSIVE"

                    continue


 

                recordingCount = recordingCount + 1

                self.recordedData.append(data)


 

        logger.debug("finished.")


 

    def saveMessage(self):

        """

        Save the message stored in self.recordedData to a timestamped file.

        """

        filename = 'output' + str(int(time.time())) + '.wav'

        data = b''.join(self.recordedData)


 

        #use wave to save data

        wf = wave.open(filename, 'wb')

        wf.setnchannels(1)

        wf.setsampwidth(self.audio.get_sample_size(

            self.audio.get_format_from_width(

                self.detector.BitsPerSample() / 8)))

        wf.setframerate(self.detector.SampleRate())

        wf.writeframes(data)

        wf.close()

        logger.debug("finished saving: " + filename)

        return filename


 

    def terminate(self):

        """

        Terminate audio stream. Users can call start() again to detect.

        :return: None

        """

        self.stream_in.stop_stream()

        self.stream_in.close()

        self.audio.terminate()

        self._running = False
复制代码