基于Whisper+SparkAI+Pyttsx3实现全流程免费的语音交互

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：

数据流流程图

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 = new MediaRecorder(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 = new Blob(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 = new FormData();
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。

with open(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~

总结