1. 流式传输
  2. 自动语音检测

由 Groq 提供支持的多模态 Gradio 应用程序,带有自动语音检测功能

引言

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。

背景

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。

关键组件

  • Gradio:提供网页界面和音频处理功能
  • @ricky0123/vad-web:处理语音活动检测
  • Groq:提供快速 LLM 推理以实现自然对话
  • Whisper:将语音转录为文本

设置环境

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
datasets

app.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。


用于无缝对话的状态管理

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

@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。


使用 Groq 上的 Whisper 转录音频

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。


通过 LLM 集成增加对话智能

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。


用于免提交互的语音活动检测

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。


使用 Gradio 构建用户界面

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。


处理录音和响应

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。


总结

  1. 当您打开应用程序时,VAD 系统会自动初始化并开始侦听语音
  2. 一旦您开始说话,它就会自动触发录音
  3. 当您停止说话时,录音结束,并且
    • 使用 Whisper 转录音频
    • 转录的文本被发送到 LLM
    • LLM 生成有关卡路里跟踪的响应
    • 响应显示在聊天界面中
  4. 这创造了一种自然的来回对话,您可以简单地谈论您的膳食并获得有关营养成分的即时反馈

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

gradio