实现前后端语音交互的Demo
在现代Web应用中,语音交互越来越受到关注。它不仅能提升用户体验,还能为特定人群提供更多便利。本文将介绍如何实现一个前后端语音交互的Demo,涵盖音频录制、语音识别、语言模型生成回复和语音合成等步骤。
文章目录
一. 项目架构
我们将使用以下技术栈:
- 前端:HTML、JavaScript
- 后端:Flask、Whisper语音识别模型、Pyttsx3语音合成
- 语音识别模型:Whisper
- 语言模型:星火大模型(Spark AI)
数据流流程图
#mermaid-svg-1XLVenc2RgQcaNCN {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-1XLVenc2RgQcaNCN .error-icon{fill:#552222;}#mermaid-svg-1XLVenc2RgQcaNCN .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-1XLVenc2RgQcaNCN .edge-thickness-normal{stroke-width:2px;}#mermaid-svg-1XLVenc2RgQcaNCN .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-1XLVenc2RgQcaNCN .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-1XLVenc2RgQcaNCN .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-1XLVenc2RgQcaNCN .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-1XLVenc2RgQcaNCN .marker{fill:#333333;stroke:#333333;}#mermaid-svg-1XLVenc2RgQcaNCN .marker.cross{stroke:#333333;}#mermaid-svg-1XLVenc2RgQcaNCN svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-1XLVenc2RgQcaNCN .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-1XLVenc2RgQcaNCN .cluster-label text{fill:#333;}#mermaid-svg-1XLVenc2RgQcaNCN .cluster-label span{color:#333;}#mermaid-svg-1XLVenc2RgQcaNCN .label text,#mermaid-svg-1XLVenc2RgQcaNCN span{fill:#333;color:#333;}#mermaid-svg-1XLVenc2RgQcaNCN .node rect,#mermaid-svg-1XLVenc2RgQcaNCN .node circle,#mermaid-svg-1XLVenc2RgQcaNCN .node ellipse,#mermaid-svg-1XLVenc2RgQcaNCN .node polygon,#mermaid-svg-1XLVenc2RgQcaNCN .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-1XLVenc2RgQcaNCN .node .label{text-align:center;}#mermaid-svg-1XLVenc2RgQcaNCN .node.clickable{cursor:pointer;}#mermaid-svg-1XLVenc2RgQcaNCN .arrowheadPath{fill:#333333;}#mermaid-svg-1XLVenc2RgQcaNCN .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-1XLVenc2RgQcaNCN .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-1XLVenc2RgQcaNCN .edgeLabel{background-color:#e8e8e8;text-align:center;}#mermaid-svg-1XLVenc2RgQcaNCN .edgeLabel rect{opacity:0.5;background-color:#e8e8e8;fill:#e8e8e8;}#mermaid-svg-1XLVenc2RgQcaNCN .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-1XLVenc2RgQcaNCN .cluster text{fill:#333;}#mermaid-svg-1XLVenc2RgQcaNCN .cluster span{color:#333;}#mermaid-svg-1XLVenc2RgQcaNCN div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-1XLVenc2RgQcaNCN :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;}
前端播放
后端处理
前端处理
前端播放音频回复
后端接收音频
Whisper 模型进行语音识别
生成文本转发至星火大模型
星火大模型生成回复文本
回复文本进行语音合成
生成音频回复
将音频回复发送回前端
获取麦克风权限
用户点击开始录音
开始录音
用户点击停止录音
生成音频 Blob
将音频 Blob 发送到后端
二. 实现流程
1. 准备工作
首先,确保你的开发环境中已经安装了以下依赖:
pip install torch torchaudio transformers flask flask-cors whisper pyttsx3 pydub
pip install--upgrade spark_ai_python
2. 前端实现
前端主要负责音频录制和播放,并与后端进行交互。我们使用
navigator.mediaDevices.getUserMedia
进行音频录制,并使用
fetch
将录音数据发送到后端。
核心步骤
- 获取麦克风权限: 在使用麦克风录音之前,我们需要确保浏览器支持
navigator.mediaDevices.getUserMedia
,并请求麦克风权限。如果不支持或者用户拒绝权限请求,则提示用户使用支持的浏览器并检查权限设置。if(!navigator.mediaDevices ||!navigator.mediaDevices.getUserMedia){alert('你的浏览器不支持麦克风访问,请使用支持的浏览器,如最新版本的 Chrome 或 Firefox。');return;}
- 开始录音: 获取麦克风权限后,创建一个
MediaRecorder
实例并开始录音。this.stream =await navigator.mediaDevices.getUserMedia({audio:true});this.mediaRecorder =newMediaRecorder(this.stream);this.mediaRecorder.start();
- 停止录音并生成音频 Blob: 当用户点击停止录音按钮时,停止录音并生成一个音频 Blob 对象,用于后续处理。
this.mediaRecorder.addEventListener('stop',()=>{const audioBlob =newBlob(this.audioChunks,{type:'audio/wav'});resolve(audioBlob);});this.mediaRecorder.stop();
- 将音频 Blob 发送到后端: 使用
fetch
将生成的音频 Blob 发送到后端进行处理。const formData =newFormData();formData.append('audio', audioBlob,'audio.wav');fetch('/process_audio',{method:'POST',body: formData})
3. 后端实现
后端主要负责处理前端发送的音频数据,进行语音识别和生成回复,并将回复转换为音频返回给前端。
核心步骤
- 加载 Whisper 模型: 我们使用 Whisper 模型进行语音识别。在初始化时,加载指定的 Whisper 模型。
model = whisper.load_model("large")
- 语音识别: 接收到前端发送的音频文件后,使用 Whisper 模型进行语音识别,提取音频中的文本。
result = model.transcribe(audio_path, language='zh')user_text = result['text']
- 生成回复文本: 将识别出的文本发送给星火大模型,生成回复文本。来此处申请相关API接口
- 文本转语音: 使用 Pyttsx3 将生成的回复文本转换为语音文件。我们实现了一个
PyttsVoice
类,封装了 Pyttsx3 的使用,并处理了在 Windows 和 Linux 平台上的兼容性。 - 返回音频回复: 将生成的语音文件读取为二进制数据,并以 JSON 格式返回给前端。
withopen(tts_path,'rb')as f: audio_data = f.read()return jsonify({"transcript": user_text,"reply": reply_text,"audio": audio_data.hex()# 转换音频数据为十六进制字符串})
配置文件
为了避免泄露敏感信息,我们将配置项存储在
config.json
文件中,并通过
.gitignore
忽略
config.json
{"SPARKAI_URL":"wss://spark-api.xf-yun.com/v3.5/chat","SPARKAI_APP_ID":"YOUR_SPARKAI_APP_ID","SPARKAI_API_SECRET":"YOUR_SPARKAI_API_SECRET","SPARKAI_API_KEY":"YOUR_SPARKAI_API_KEY","SPARKAI_DOMAIN":"general"}
运行项目
确保所有依赖项已安装,后端应用可以通过以下命令启动:
python app.py
前端页面可以在支持 HTTPS 的浏览器中通过以下地址访问:
https://your-domain-or-ip:6123/static/index.html
三. 踩坑点总结
- HTTPS 协议:大多数现代浏览器只允许在 HTTPS 协议或
localhost
上使用摄像头和麦克风等硬件设备。如果你在开发环境中使用 HTTP,可能会遇到navigator.mediaDevices
为undefined
的问题。建议在开发和生产环境中都使用 HTTPS。你可以使用ngrok
、localhost.run
或serveo.net
等工具将本地服务器暴露为 HTTPS 服务。 - 权限问题:在调用
navigator.mediaDevices.getUserMedia
时,需要处理用户拒绝权限请求的情况。可以通过捕获错误并提示用户检查权限设置来解决。 - 音频格式:确保录音和处理音频数据时使用正确的格式,如
audio/wav
。使用不同格式可能导致无法正确处理音频数据。 - 异步操作:在处理异步操作时,确保正确处理 Promise 和回调,避免因未完成的异步任务导致的数据错误。
- 模型选择:根据实际需求选择合适的语音识别模型。Whisper 提供了多种大小的模型,可根据资源和性能需求进行选择。对于中文语音识别,建议使用
large
模型或专门的中文识别模型。 - 文本转语音(TTS)服务:本文使用了 Pyttsx3 来实现文本转语音,确保了在 Windows 和 Linux 平台的兼容性。它的优点是离线运行,不需要网络连接,但需要配置
ffmpeg
路径。
四. 完整代码
至此本篇博客介绍即结束,完整代码见GitHub仓库:https://github.com/YYForReal/voice-interation-demo,欢迎留下你的Star~
版权归原作者 如果皮卡会coding 所有, 如有侵权,请联系我们删除。