首页
  • GM-3568JHF
  • M4-R1
  • M5-R1
  • SC-3568HA
  • M-K1HSE
  • CF-NRS1
  • CF-CRA2
  • 1684XB-32T
  • 1684X-416T
  • RDK-X5
  • RDK-S100
  • C-3568BQ
  • C-3588LQ
  • GC-3568JBAF
  • C-K1BA
商城
  • English
  • 简体中文
首页
  • GM-3568JHF
  • M4-R1
  • M5-R1
  • SC-3568HA
  • M-K1HSE
  • CF-NRS1
  • CF-CRA2
  • 1684XB-32T
  • 1684X-416T
  • RDK-X5
  • RDK-S100
  • C-3568BQ
  • C-3588LQ
  • GC-3568JBAF
  • C-K1BA
商城
  • English
  • 简体中文
  • 1684XB-32T

    • 一、简介

      • AIBOX-1684XB-32简介
    • 二、快速上手

      • 初次使用
      • 网络配置
      • 磁盘使用
      • 内存分配
      • 风扇策略
      • 固件升级
      • 交叉编译
      • 模型量化
    • 三、应用开发

      • 开发简介

        • Sophgo SDK开发
        • SOPHON-DEMO简介
      • 大语言模型

        • 部署Llama3示例
        • Sophon LLM_api_server开发
        • 部署MiniCPM-V-2_6
        • Qwen-2-5-VL图片视频识别DEMO
        • Qwen3-chat-DEMO
        • Qwen3-Qwen Agent-MCP开发
        • Qwen3-langchain-AI Agent
      • 深度学习

        • ResNet(图像分类)
        • LPRNet(车牌识别)
        • SAM(通用图像分割基础模型)
        • YOLOv5(目标检测)
        • OpenPose(人体关键点检测)
        • PP-OCR(光学字符识别)
    • 四、资料下载

      • 资料下载
  • 1684X-416T

    • 简介

      • AIBOX-1684X-416简介
    • Demo简单操作指引

      • shimeta智慧监控demo的简单使用说明
  • RDK-X5

    • 简介

      • RDK-X5 硬件简介
    • 快速开始

      • RDK-X5 快速开始
    • 应用开发

      • AI在线模型开发

        • 实验01-接入火山引擎豆包 AI
        • 实验02-图片分析
        • 实验03-多模态视觉分析定位
        • 实验04-多模态图文比较分析
        • 实验05-多模态文档表格分析
        • 实验06-摄像头运用-AI视觉分析
      • 大语言模型

        • 实验01-语音识别
        • 实验02-语音对话
        • 实验03-多模态图片分析-语音对话
        • 实验04-多模态图片比较-语音对话
        • 实验05-多模态文档分析-语音对话
        • 实验06-多模态视觉运用-语音对话
      • ROS2基础开发

        • 实验01-搭建环境
        • 实验02-工作包的创建及编译
        • 实验03-运行 ROS2 话题通信节点
        • 实验04-ROS2 相机应用
      • 40pin-IO开发

        • 实验01-GPIO 输出(LED闪烁)
        • 实验02-GPIO 输入
        • 实验03-按键控制 LED
        • 实验04-PWM 输出
        • 实验05-串口输出
        • 实验06-IIC 实验
        • 实验07-SPI 实验
      • USB模块开发使用

        • 实验01-USB 语音模块使用
        • 实验02-声源定位模块使用
      • 机器视觉技术实战

        • 实验01-打开 USB 摄像头
        • 实验02-颜色识别检测
        • 实验03-手势识别体验
        • 实验04-YOLOv5物体检测
  • RDK-S100

    • 简介

      • RDK-S100 硬件简介
    • 快速开始

      • RDK-S100 硬件简介
    • 应用开发

      • AI在线模型开发

        • 实验01-接入火山引擎豆包 AI
        • 实验02-图片分析
        • 实验03-多模态视觉分析定位
        • 实验04-多模态图文比较分析
        • 实验05-多模态文档表格分析
        • 实验06-摄像头运用-AI视觉分析
      • 大语言模型

        • 实验01-语音识别
        • 实验02-语音对话
        • 实验03-多模态图片分析-语音对话
        • 实验04-多模态图片比较-语音对话
        • 实验05-多模态文档分析-语音对话
        • 实验06-多模态视觉运用-语音对话
      • ROS2基础开发

        • 实验01-搭建环境
        • 实验02-工作包的创建及编译
        • 实验03-运行 ROS2 话题通信节点
        • 实验04-ROS2 相机应用
      • 40pin-IO开发

        • 实验01-GPIO 输出(LED闪烁)
        • 实验02-GPIO 输入
        • 实验03-按键控制 LED
        • 实验04-PWM 输出
        • 实验05-串口输出
        • 实验06-IIC 实验
        • 实验07-SPI 实验
      • USB模块开发使用

        • 实验01-USB 语音模块使用
        • 实验02-声源定位模块使用
      • 机器视觉技术实战

        • 实验01-打开 USB 摄像头
        • 实验02-图像处理基础
        • 实验03-目标检测
        • 实验04-图像分割

语音LLM应用

实验02-语音对话

实验准备:(注册登录豆包AI账号,如有直接填入信息即可)

(实验前提:已完成实验01的依赖包下载及讯飞账号注册等操作)

  1. 获取API Key: https://console.volcengine.com/ark/region:ark+cn-beijing/apiKey
  2. 获取模型接入点ID: https://console.volcengine.com/ark/region:ark+cn-beijing/endpoint
  3. 在config.py中替换个人API Key和模型接入点,模型接入点以ep-开头
TOOL

实验步骤:(确保语音模块已连接)

  1. cd AI_online_voice #进入主目录
  2. python examples/02_voice_dialogue.py #运行示例程序

实验结果如下:

TOOL
# -*- coding: utf-8 -*-
"""
02_voice_dialogue.py

实验说明:
- 在 01_voice_chat.py 的基础上,复用录音、播放与实时讯飞语音识别流程;
- 将识别出的中文文本发送给豆包,并把豆包的回答打印到终端;
- 不修改其他文件,仅新增本实验脚本;
- 参考 01_image_analysis.py 的豆包返回方式,调用 DoubaoAPIClient.chat_text。

使用方法:
- python examples/02_voice_dialogue.py
- 交互命令:
  - r [秒数]:录音指定秒数,识别,并将结果发给豆包,打印豆包回复
  - p:回放最近一次录音(如果存在)
  - q:退出
  - h:帮助
"""

import os
import sys
import json
import time
import base64
import hmac
import ssl
import hashlib
import wave   #语音音频处理重要文件
from email.utils import formatdate
from urllib.parse import quote, urlparse

# 允许作为独立脚本运行时导入上级目录
CURRENT_DIR = os.path.dirname(os.path.abspath(__file__))
PROJECT_ROOT = os.path.dirname(CURRENT_DIR)
sys.path.append(PROJECT_ROOT)

# 加载根目录 config.py 以获取豆包API的正确配置
WORKSPACE_ROOT = os.path.dirname(PROJECT_ROOT)
import importlib.util  # noqa: E402
ROOT_CONFIG = None
_root_cfg_path = os.path.join(WORKSPACE_ROOT, "config.py")
if os.path.exists(_root_cfg_path):
    try:
        _spec = importlib.util.spec_from_file_location("root_config", _root_cfg_path)
        ROOT_CONFIG = importlib.util.module_from_spec(_spec)
        _spec.loader.exec_module(ROOT_CONFIG)
    except Exception:
        ROOT_CONFIG = None

from utils.audio_processor import AudioProcessor  # noqa: E402
import requests  # 本地实现豆包客户端,避免导入冲突
import config  # noqa: E402

class DoubaoAPIClient:
    """简化版豆包API客户端,内联实现文本聊天以避免导入冲突"""
    def __init__(self):
        cfg = ROOT_CONFIG if ROOT_CONFIG else config
        self.api_key = getattr(cfg, "API_KEY", None)
        self.model_endpoint = getattr(cfg, "MODEL_ENDPOINT", None)
        self.base_url = getattr(cfg, "API_BASE_URL", None)
        self.timeout = getattr(cfg, "REQUEST_TIMEOUT", 30)
        if not self.api_key or not self.model_endpoint or not self.base_url:
            raise ValueError("请在 config.py 中配置 API_KEY / MODEL_ENDPOINT / API_BASE_URL")

    def _make_request(self, messages, **kwargs):
        try:
            base = (self.base_url or "").rstrip('/')
            url = base if base.endswith('chat/completions') else f"{base}/chat/completions"
            headers = {
                "Authorization": f"Bearer {self.api_key}",
                "Content-Type": "application/json",
                "Accept": "application/json",
            }
            data = {
                "model": self.model_endpoint,
                "messages": messages,
                "temperature": kwargs.get("temperature", 0.7),
                "max_tokens": kwargs.get("max_tokens", 1000),
                "top_p": kwargs.get("top_p", 0.9),
                "stream": kwargs.get("stream", False),
            }
            for k, v in kwargs.items():
                if k not in data:
                    data[k] = v
            resp = requests.post(url, json=data, headers=headers, timeout=self.timeout)
            if resp.status_code == 200:
                try:
                    return resp.json()
                except Exception as e:
                    print(f"[豆包] JSON解析失败: {e}")
                    print(f"[豆包] 响应文本片段: {resp.text[:500]}")
                    return None
            else:
                print(f"[豆包] API请求失败: {resp.status_code}")
                print(f"[豆包] 请求URL: {url}")
                print(f"[豆包] 模型: {self.model_endpoint}")
                try:
                    err_json = resp.json()
                    print(f"[豆包] 错误详情(JSON): {json.dumps(err_json, ensure_ascii=False)[:500]}")
                except Exception:
                    print(f"[豆包] 错误详情(Text): {resp.text[:500]}")
                if resp.status_code == 401:
                    print("[豆包] 认证失败,请检查 API_KEY")
                elif resp.status_code == 404:
                    print("[豆包] 接入点不存在,请检查 MODEL_ENDPOINT")
                elif resp.status_code == 429:
                    print("[豆包] 请求频率过高,请稍后重试")
                elif resp.status_code == 500:
                    print("[豆包] 服务器内部错误,请稍后重试")
                return None
        except Exception as e:
            print(f"豆包请求异常: {e}")
            return None

    def chat_text(self, text: str, system_prompt: str = None, **kwargs):
        try:
            messages = []
            if system_prompt:
                messages.append({"role": "system", "content": system_prompt})
            messages.append({"role": "user", "content": text})
            result = self._make_request(messages, **kwargs)
            if result and "choices" in result and result["choices"]:
                return result["choices"][0]["message"]["content"]
            return None
        except Exception as e:
            print(f"文本对话失败: {e}")
            return None

try:
    import websocket
    from websocket import WebSocketTimeoutException
except Exception:  # pragma: no cover
    websocket = None
    WebSocketTimeoutException = Exception


class XunfeiRealtimeSpeechClient:
    """简化版的讯飞实时语音识别客户端(WebSocket)。
    - 复用我们在 01_voice_chat.py 中优化过的健壮性:
      - 安全 JSON 解析
      - 增量文本聚合
      - 超时容错,返回已识别的文本
    """

    def __init__(self):
        self.app_id = getattr(config, "XUNFEI_APPID", "")
        self.api_key = getattr(config, "XUNFEI_API_KEY", "")
        self.api_secret = getattr(config, "XUNFEI_API_SECRET", "")
        self.host_url = getattr(config, "XUNFEI_WS_URL", "")
        self.timeout = getattr(config, "REQUEST_TIMEOUT", 15)

    def _safe_json_loads(self, s):
        try:
            return json.loads(s)
        except Exception:
            return None

    def _build_auth_url(self):
        url = self.host_url
        # 使用标准库解析,兼容不同 websocket-client 版本
        try:
            parsed = urlparse(url)
            host = parsed.netloc or url.split("//")[-1].split("/")[0]
            path = parsed.path or "/v2/iat"
        except Exception:
            host = url.split("//")[-1].split("/")[0]
            path = "/v2/iat"
        # 鉴权:生成签名字符串
        date = formatdate(timeval=None, localtime=False, usegmt=True)
        signature_origin = f"host: {host}\ndate: {date}\nGET {path} HTTP/1.1"
        signature_sha = hmac.new(
            self.api_secret.encode("utf-8"),
            signature_origin.encode("utf-8"),
            digestmod=hashlib.sha256,
        ).digest()
        signature = base64.b64encode(signature_sha).decode("utf-8")
        authorization_origin = (
            f"api_key=\"{self.api_key}\", algorithm=\"hmac-sha256\", headers=\"host date request-line\", signature=\"{signature}\""
        )
        authorization = base64.b64encode(authorization_origin.encode("utf-8")).decode("utf-8")

        auth_url = f"{url}?authorization={quote(authorization)}&date={quote(date)}&host={quote(host)}"
        return auth_url

    def transcribe_audio_ws(self, wav_path):
        if websocket is None:
            print("[错误] 缺少 websocket-client 依赖,请安装后重试:pip install websocket-client")
            return None

        # 读取音频数据
        try:
            with open(wav_path, "rb") as f:
                audio_bytes = f.read()
        except Exception as e:
            print(f"[错误] 读取音频失败: {e}")
            return None

        # 初始化增量聚合
        final_text_parts = []
        saw_final_status = False

        url = self._build_auth_url()
        print(f"[WS] 连接: {url}")
        ws = websocket.create_connection(url, timeout=self.timeout, sslopt={"cert_reqs": ssl.CERT_NONE})

        try:
            # 发送首帧
            init_payload = {
                "common": {"app_id": self.app_id},
                "business": {
                    "language": "zh_cn",
                    "domain": "iat",
                    "accent": "mandarin",
                    "vad_eos": 2000,
                },
                "data": {
                    "status": 0,
                    "format": "audio/L16;rate=16000",
                    "audio": base64.b64encode(audio_bytes[:1200]).decode("utf-8"),
                    "encoding": "raw",
                },
            }
            ws.send(json.dumps(init_payload))
            print("[首帧发送] bytes=", len(audio_bytes[:1200]))

            # 发送中间帧(简单一次性发送余下数据)
            middle_payload = {
                "data": {
                    "status": 1,
                    "format": "audio/L16;rate=16000",
                    "audio": base64.b64encode(audio_bytes[1200:]).decode("utf-8"),
                    "encoding": "raw",
                }
            }
            ws.send(json.dumps(middle_payload))
            print("[中间帧发送] bytes=", len(audio_bytes[1200:]))

            # 发送结束帧
            end_payload = {
                "data": {"status": 2, "format": "audio/L16;rate=16000", "audio": "", "encoding": "raw"}
            }
            ws.send(json.dumps(end_payload))
            print("[结束帧发送]")

            # 接收返回,聚合文本
            while True:
                try:
                    msg = ws.recv()
                except WebSocketTimeoutException:
                    print("[WS] 接收超时,返回已聚合文本")
                    break
                except Exception as e:
                    print(f"[WS] 接收异常: {e}")
                    break

                data = self._safe_json_loads(msg)
                if not data:
                    print("[WS] 非法 JSON,忽略")
                    continue

                code = data.get("code", -1)
                status = data.get("data", {}).get("status")
                message = data.get("message")
                print(f"[WS返回] code={code}, status={status}, message={message}")

                if code != 0:
                    print("[WS] 识别失败: ", data)
                    break

                # 解析增量识别文本
                result = data.get("data", {}).get("result")
                if result and result.get("ws"):
                    # 将分段结果拼接
                    parts = []
                    for ws_seg in result.get("ws", []):
                        for cw in ws_seg.get("cw", []):
                            w = cw.get("w")
                            if w:
                                parts.append(w)
                    if parts:
                        final_text_parts.append("".join(parts))
                        print("[增量结果] ", "".join(parts))

                if status == 2:
                    saw_final_status = True
                    print("[WS] 收到最终状态,结束接收")
                    break
        finally:
            try:
                ws.close()
            except Exception:
                pass

        aggregated = "".join(final_text_parts).strip()
        if aggregated:
            return aggregated
        if saw_final_status:
            return aggregated  # 为空也返回
        return None


class VoiceDialogueApp:
    def __init__(self):
        self.processor = AudioProcessor()
        self.asr_client = XunfeiRealtimeSpeechClient()
        self.doubao = DoubaoAPIClient()
        self.last_audio = None
        self.last_wav = None

    def print_help(self):
        print("\n指令帮助:")
        print("  r [秒数]  录音指定秒数,识别,并发给豆包")
        print("  p        回放最近一次录音")
        print("  h        查看帮助")
        print("  q        退出\n")

    def handle_record(self, duration_sec: int):
        print(f"[操作] 开始录音 {duration_sec} 秒…")
        audio_file = self.processor.record(duration_sec)
        if not audio_file:
            print("[错误] 录音失败")
            return
        self.last_audio = audio_file
        print(f"[录音完成] 文件: {audio_file}")
        try:
            with wave.open(audio_file, "rb") as wf:
                print(f"[原始音频信息] rate={wf.getframerate()}, ch={wf.getnchannels()}, width={wf.getsampwidth()*8}bit, frames={wf.getnframes()}")
        except Exception as e:
            print(f"[原始音频信息读取失败] {e}")

        wav_path = self.processor.convert_to_wav(audio_file)
        if not wav_path:
            print("[错误] 转换 WAV 失败")
            return
        self.last_wav = wav_path
        print(f"[转换完成] WAV 文件: {wav_path}")
        try:
            with wave.open(wav_path, "rb") as wf:
                duration = (wf.getnframes() / float(wf.getframerate())) if wf.getframerate() else 0.0
                print(f"[转换后音频信息] rate={wf.getframerate()}, ch={wf.getnchannels()}, width={wf.getsampwidth()*8}bit, secs={duration:.2f}")
        except Exception as e:
            print(f"[转换后音频信息读取失败] {e}")



        print("[识别] 发送至讯飞实时识别…")
        text = self.asr_client.transcribe_audio_ws(wav_path)
        if not text:
            print("[识别失败] 未获取到文本")
            return
        print(f"[识别结果] {text}")

        print("[豆包] 发送识别结果到豆包,等待回复…")
        try:
            sys_prompt = getattr(ROOT_CONFIG, "SYSTEM_PROMPT", None) if ROOT_CONFIG else None
            reply = self.doubao.chat_text(text, system_prompt=sys_prompt)
            if reply:
                print("[豆包回复]", reply)
            else:
                print("[豆包回复] None")
        except Exception as e:
            print("[豆包错误] ", e)

    def handle_play(self):
        if not self.last_audio:
            print("[提示] 尚无可回放的录音。请先使用 r 指令录音。")
            return
        print("[播放] 回放最近一次录音…")
        self.processor.play(self.last_audio)

    def run(self):
        print("\n=== 02 语音对话(讯飞 + 豆包)实验 ===")
        print("已接入讯飞语音识别;将识别结果发送给豆包并返回终端。")
        self.print_help()

        while True:
            try:
                cmd = input("请输入指令 (r/p/h/q): ").strip()
            except (EOFError, KeyboardInterrupt):
                print("\n[退出]")
                break

            if not cmd:
                continue
            if cmd == "q":
                print("[退出]")
                break
            if cmd == "h":
                self.print_help()
                continue
            if cmd == "p":
                self.handle_play()
                continue

            if cmd.startswith("r"):
                parts = cmd.split()
                duration = 5
                if len(parts) >= 2:
                    try:
                        duration = int(parts[1])
                    except Exception:
                        print("[提示] 秒数无效,使用默认 5 秒")
                self.handle_record(duration)
                continue

            print("[提示] 未知指令。输入 h 查看帮助。")


if __name__ == "__main__":
    VoiceDialogueApp().run()
在 GitHub 上编辑此页
上次更新:
贡献者: wuziqing
Prev
实验01-语音识别
Next
实验03-多模态图片分析-语音对话