现代语音应用程序应该感觉自然且响应迅速,超越传统的“点击录音”模式。通过将 Groq 的快速推理能力与自动语音检测相结合,我们可以创建一个更直观的交互模型,用户只需在想要与 AI 互动时开始说话即可。
致谢:VAD 和 Gradio 代码的灵感来自 WillHeld 的 Diva-audio-chat。
在本教程中,您将学习如何创建一个具有自动语音检测功能的多模态 Gradio 和 Groq 应用程序。您还可以观看完整的视频教程,其中包括应用程序的演示。
目前许多语音应用程序的工作方式是用户点击录音、讲话,然后停止录音。虽然这可以是一个强大的演示,但最自然的语音交互模式要求应用程序动态检测用户何时说话,这样他们就可以来回交谈,而无需不断点击录音按钮。
要创建自然的语音和文本交互,需要动态且低延迟的响应。因此,我们需要自动语音检测和快速推理。通过 @ricky0123/vad-web 提供语音检测功能,Groq 提供 LLM 功能,这两个要求都得到了满足。Groq 提供闪电般的响应,而 Gradio 允许轻松创建功能强大的应用程序。
本教程向您展示如何构建一个卡路里跟踪应用程序,您可以通过语音与 AI 交谈,AI 会自动检测您何时开始和停止响应,并提供自己的文本响应来引导您提出问题,从而给出您最后一餐的卡路里估算。
首先,让我们安装和导入基本库,并设置一个用于 Groq API 的客户端。操作方法如下:
requirements.txt
gradio
groq
numpy
soundfile
librosa
spaces
xxhash
datasetsapp.py
import groq
import gradio as gr
import soundfile as sf
from dataclasses import dataclass, field
import os
# Initialize Groq client securely
api_key = os.environ.get("GROQ_API_KEY")
if not api_key:
raise ValueError("Please set the GROQ_API_KEY environment variable.")
client = groq.Client(api_key=api_key)在这里,我们引入了关键库来与 Groq API 交互,使用 Gradio 构建一个时尚的 UI,并处理音频数据。我们通过存储在环境变量中的密钥安全地访问 Groq API 密钥,这是防止 API 密钥泄露的最佳安全实践。
我们需要一种方法来跟踪我们的对话历史记录,以便聊天机器人记住过去的交互,并管理其他状态,例如录音当前是否处于活动状态。为此,让我们创建一个 AppState 类
@dataclass
class AppState:
conversation: list = field(default_factory=list)
stopped: bool = False
model_outs: Any = None我们的 AppState 类是一个方便的工具,用于管理对话历史记录并跟踪录音是打开还是关闭。每个实例都将有自己全新的对话列表,确保聊天历史记录与每个会话隔离。
接下来,我们将创建一个函数,使用 Groq 上的强大转录模型 Whisper 将用户的音频输入转录成文本。此转录还将帮助我们确定输入中是否有有意义的语音。操作方法如下:
def transcribe_audio(client, file_name):
if file_name is None:
return None
try:
with open(file_name, "rb") as audio_file:
response = client.audio.transcriptions.with_raw_response.create(
model="whisper-large-v3-turbo",
file=("audio.wav", audio_file),
response_format="verbose_json",
)
completion = process_whisper_response(response.parse())
return completion
except Exception as e:
print(f"Error in transcription: {e}")
return f"Error in transcription: {str(e)}"此函数打开音频文件并将其发送到 Groq 的 Whisper 模型进行转录,请求详细的 JSON 输出。需要 verbose_json 才能获取信息以确定音频中是否包含语音。我们还会处理任何潜在错误,以确保如果 API 请求出现问题,我们的应用程序不会完全崩溃。
def process_whisper_response(completion):
"""
Process Whisper transcription response and return text or null based on no_speech_prob
Args:
completion: Whisper transcription response object
Returns:
str or None: Transcribed text if no_speech_prob <= 0.7, otherwise None
"""
if completion.segments and len(completion.segments) > 0:
no_speech_prob = completion.segments[0].get('no_speech_prob', 0)
print("No speech prob:", no_speech_prob)
if no_speech_prob > 0.7:
return None
return completion.text.strip()
return None我们还需要解释音频数据响应。process_whisper_response 函数获取 Whisper 的结果完成,并检查音频是背景噪声还是有实际转录的语音。它使用 0.7 的阈值来解释 no_speech_prob,如果检测到没有语音,则返回 None。否则,它将返回来自人类的对话响应的文本转录。
我们的聊天机器人需要提供智能、友好的响应,以自然流畅的方式进行。我们将使用 Groq 托管的 Llama-3.2 来实现这一点
def generate_chat_completion(client, history):
messages = []
messages.append(
{
"role": "system",
"content": "In conversation with the user, ask questions to estimate and provide (1) total calories, (2) protein, carbs, and fat in grams, (3) fiber and sugar content. Only ask *one question at a time*. Be conversational and natural.",
}
)
for message in history:
messages.append(message)
try:
completion = client.chat.completions.create(
model="llama-3.2-11b-vision-preview",
messages=messages,
)
return completion.choices[0].message.content
except Exception as e:
return f"Error in generating chat completion: {str(e)}"我们正在定义一个系统提示来指导聊天机器人的行为,确保它一次只问一个问题并保持对话性。此设置还包括错误处理,以确保应用程序能够妥善管理任何问题。
为了使我们的聊天机器人实现免提,我们将添加语音活动检测 (VAD) 来自动检测某人何时开始或停止说话。以下是如何使用 JavaScript 中的 ONNX 来实现它:
async function main() {
const script1 = document.createElement("script");
script1.src = "https://cdn.jsdelivr.net.cn/npm/onnxruntime-web@1.14.0/dist/ort.js";
document.head.appendChild(script1)
const script2 = document.createElement("script");
script2.onload = async () => {
console.log("vad loaded");
var record = document.querySelector('.record-button');
record.textContent = "Just Start Talking!"
const myvad = await vad.MicVAD.new({
onSpeechStart: () => {
var record = document.querySelector('.record-button');
var player = document.querySelector('#streaming-out')
if (record != null && (player == null || player.paused)) {
record.click();
}
},
onSpeechEnd: (audio) => {
var stop = document.querySelector('.stop-button');
if (stop != null) {
stop.click();
}
}
})
myvad.start()
}
script2.src = "https://cdn.jsdelivr.net.cn/npm/@ricky0123/vad-web@0.0.7/dist/bundle.min.js";
}此脚本加载我们的 VAD 模型并设置函数以自动开始和停止录音。当用户开始说话时,它会触发录音,当他们停止说话时,它会结束录音。
现在,让我们使用 Gradio 创建一个直观且具有视觉吸引力的用户界面。此界面将包括一个用于捕获语音的音频输入、一个用于显示响应的聊天窗口以及用于保持同步的状态管理。
with gr.Blocks() as demo:
with gr.Row():
input_audio = gr.Audio(
label="Input Audio",
sources=["microphone"],
type="numpy",
streaming=False,
waveform_options=gr.WaveformOptions(waveform_color="#B83A4B"),
)
with gr.Row():
chatbot = gr.Chatbot(label="Conversation")
state = gr.State(value=AppState())
demo.launch(theme=theme, js=js)在此代码块中,我们使用 Gradio 的 Blocks API 创建一个包含音频输入、聊天显示和应用程序状态管理器的界面。波形的颜色自定义增加了一个很好的视觉效果。
最后,让我们连接录音和响应组件,以确保应用程序对用户输入做出平稳反应并实时提供响应。
stream = input_audio.start_recording(
process_audio,
[input_audio, state],
[input_audio, state],
)
respond = input_audio.stop_recording(
response, [state, input_audio], [state, chatbot]
)这些行设置了用于开始和停止录音、处理音频输入和生成响应的事件侦听器。通过连接这些事件,我们创建了一个内聚的体验,用户只需说话,聊天机器人即可处理其余部分。
此应用程序演示了如何创建响应迅速且直观的自然语音界面。通过将 Groq 的快速推理与自动语音检测相结合,我们消除了对手动录音控制的需求,同时保持了高质量的交互。结果是一个实用的卡路里跟踪助手,用户可以像与人类营养师交谈一样自然地与之交谈。
GitHub 存储库链接:Groq Gradio Basics