树莓派Linux实现ChatGPT语音交互（语音识别，TTS）

前言

ChatGPT使用想必大家都不陌生，进入官网，注册账号即可开始正式的对话聊天，可是如何使用ChatGPT API,且在Linux环境下进行语音交互呢？碰巧在今年暑期参加物联网设计竞赛有用到这项功能，今天就来教下大家详细步骤。

一、ChatGPT API获取

如何获取一个ChatGPT账号相比对大家来说不是一件难事，网上教程很多大家可以搜一下，获取到一个账号后，可以进入https://platform.openai.com/account/api-keys页面。

选择创建一个api key 大家一定要保存好这个密钥，后续使用都是利用这个密钥。这里需要注意免费API每个账户都是有限的，五美元，理论上自己日常使用时用不完了的。

二、API使用步骤

接下来就让我们来试验一下API密钥。首先在Linux环境下需要安装openai的包这里我们以树莓派为例。

pip3 install openai

成功安装后我们就可以创建一个Python运行一下，而众所周知，ChatGPT是需要需要使用魔法的，API调用也不例外。

# -*- coding: utf-8 -*-importopenai# 设置OpenAI API密钥openai.api_key ='sk-xxxx'#这里需要替换为你的账户API KEY# 定义初始对话历史conversation_history =[{'role':'system','content':'You are a helpful assistant.'}]# 循环交互whileTrue:# 处理用户输入user_input =input("User: ")# 将用户输入添加到对话历史中conversation_history.append({'role':'user','content':user_input})# 发送聊天请求response =openai.ChatCompletion.create(model='gpt-3.5-turbo',messages=conversation_history,max_tokens=100,n=1,stop=None,temperature=0.7)# 获取助手的回复assistant_reply =response['choices'][0]['message']['content']# 打印助手的回复print("Assistant:",assistant_reply)# 将助手的回复添加到对话历史中conversation_history.append({'role':'assistant','content':assistant_reply})# 检查用户是否选择退出循环ifuser_input.lower()=='exit':break

通过以上代码实现简单的API调用，运行。

问出问题，就可以得到你想要的答案。其中的模型大家也可以根据需求选用。

三、语音识别

首先最重要的是外接一个麦克风设备，对外界实时音频进行识别，这里树莓派上使用的无驱的USB麦克风设备。

想要实现真正意义上的语音交互，就只能从实时音频流中读取。

这里我们使用的是Google的语音识别API SpeechRecognition。
首先在终端中安装相关包。

pip3 install SpeechRecognition

成功安装，且麦克风设备安装完成，我们就可以进入下一步。
我们使用一个Python程序来进行实现。

importspeech_recognition assr# 创建一个Recognizer对象r =sr.Recognizer()# 使用麦克风录音withsr.Microphone()assource:print("请说话：")audio =r.listen(source)# 将语音转换为文本try:text =r.recognize_google(audio,language='zh-CN')print("你说的是："+text)exceptsr.UnknownValueError:print("无法识别你的语音")exceptsr.RequestError ase:print("无法连接到Google API，错误原因："+str(e))

这里是实现实时音频的识别。需要注意的是，speech_recognition的使用也需要Linux环境下的魔法上网。
运行代码会出现许多报错信息，但这些都不影响我们的识别结果。

当显示请说话示例时就可以提出问题了。实测在安静环境下识别速度和识别准确率还是非常高的。
识别返回的结果保存在text中，只要将text赋值给上述GPT的输入即可。

三、TTS（语音合成）

要想实现语音对话，还需要将GPT回复的问题经过TTS转化为音频。
这里使用的阿里云的Sambert语音合成，实测合成速度很快，且语音自然。
首先需要下载Sambert的包

pip3 install dashscope

试验一下

# coding=utf-8importdashscopefromdashscope.audio.tts importSpeechSynthesizerdashscope.api_key='your-dashscope-api-key'result =SpeechSynthesizer.call(model='sambert-zhichu-v1',text='今天天气怎么样',sample_rate=48000,format='wav')ifresult.get_audio_data()isnotNone:withopen('output.wav','wb')asf:f.write(result.get_audio_data())print('  get response: %s'%(result.get_response()))

执行代码后就能生成一个output.wav文件，文件内容就是text中问出的问题。

四、音频播放

得到了生成的音频文件，我们还需要将他播放出来。
Linux环境下python播放音频播放我尝过各种方式，最后使用效果最好，延时最低的是使用pygame来播放。
还是以同样的步骤，安装pygame。

pip3 install pygame

五、功能整合

将所有功能进行整合，即可实现最后想要实现的功能。

# -*- coding: utf-8 -*-importopenaiimportpygamefrompygame importmixerimportdashscopefromdashscope.audio.tts importSpeechSynthesizerimportspeech_recognition assrimporttime# 创建一个Recognizer对象r =sr.Recognizer()mixer.init()# 设置OpenAI API密钥openai.api_key ='sk-xx'dashscope.api_key='sk-xx'# 定义初始对话历史conversation_history =[{'role':'system','content':'You are a helpful assistant.'}]# 循环交互whileTrue:# 处理用户输入# 使用麦克风录音withsr.Microphone()assource:print("请开始说话...")audio =r.listen(source)try:# 使用语音识别引擎将音频转换为文字text =r.recognize_google(audio,language='zh-CN')print("识别结果：",text)exceptsr.UnknownValueError:print("无法识别音频")exceptsr.RequestError ase:print("请求出错：",e)user_input =text    # 将用户输入添加到对话历史中conversation_history.append({'role':'user','content':user_input})# 发送聊天请求response =openai.ChatCompletion.create(model='gpt-3.5-turbo',messages=conversation_history,max_tokens=100,n=1,stop=None,temperature=0.7)# 获取助手的回复assistant_reply =response['choices'][0]['message']['content']result =SpeechSynthesizer.call(model='sambert-zhimiao-emo-v1',text=assistant_reply,sample_rate=48000,format='wav')# 打印助手的回复print("Assistant:",assistant_reply)ifresult.get_audio_data()isnotNone:withopen('output.wav','wb')asf:f.write(result.get_audio_data())mixer.music.load('output.wav')mixer.music.play()# 将助手的回复添加到对话历史中conversation_history.append({'role':'assistant','content':assistant_reply})time.sleep(1)whilepygame.mixer.music.get_busy()!=True:# 在音频播放完成之前不退出程序passprint('  get response: %s'%(result.get_response()))

运行代码，就可以的到想要得到的效果。因代理问题，最后效果会有短暂的延时。

总结

该案例实现起来不难，找准如何使用才是关键所在，这里实现的用ChatGPT，也可换成文心一言等国内大模型，其效果更好，响应速度更快。本次的分享也就到这里，如果还有什么问题请各位批评指教，大家一起相互学习。