在ChatGPT大行其道之际,我心血来潮想要研究研究如何实现离线语音交互,把它和ChatGPT相结合,自己尝试实现个语音助手玩玩。本篇文章主要先从整体上分析了离线语音交互的技术实现路线,以及每个环节可能用到的参考技术,然后详细阐述了其中一个环节:语音合成(TTS)的实现方案。
1. 离线语音交互技术路线
如图所示,离线语音交互主要由以下几个流程组成:
- 关键词唤醒:类似于“小爱同学”这样的唤醒指令,可用参考技术:Snowboy;
- 获取语音:通过麦克风等收音设备将声音记录为音频文件或数字信号,可用参考技术:speech_recognition;
- 语音识别(ASR):将音频转换为文本,可用参考技术:Speechbrain;
- 语义识别(NLP):将人类能够理解的文本转化为计算机可以理解的数据,可用参考技术:NNLM等各类NLP模型;
- 应用层:可以通过理解指令控制设备(例如智能家居),或与chatbot(例如ChatGPT)进行交流
- 语音合成(TTS):将文本合成为人类语音(例如导航APP中的人声合成),可用参考技术:pyttsx3。
2. 语音合成(TTS)的实现方案
pyttsx3能够实现将文本合成为人类语音(例如导航APP中的人声合成),详见 pyttsx3官方技术文档 。
简单测试:
import pyttsx3
text ="""
这是一段测试文本。
"""
pyttsx3.speak(text)
详细使用例程:
import pyttsx3
text ="""
这是一段测试文本。
"""
engine = pyttsx3.init()# 初始化语音引擎# 设置语音合成器
voices = engine.getProperty('voices')# 获取当前设备支持的语音合成器列表
engine.setProperty('voice',voices[0].id)# 设置第一个语音合成器# 设置语速
rate = engine.getProperty('rate')# 获取当前语速
engine.setProperty('rate',200)# 设置语速# 设置音量
volume = engine.getProperty('volume')# 获取当前音量
engine.setProperty('volume',1.0)# 设置音量,范围为0.0-1.0 默认值为1.0
engine.say(text)# 合成语音
engine.save_to_file(text,'test.mp3')# 保存语音为音频文件
engine.runAndWait()
engine.stop()# 关闭语言引擎
版权归原作者 DooDoo~ 所有, 如有侵权,请联系我们删除。