劉梅 山東省淄博第一中學(xué)

語音交互指的是人與計(jì)算機(jī)設(shè)備通過語音進(jìn)行信息交流的過程，其中兩個(gè)關(guān)鍵過程包括STT（語音轉(zhuǎn)文字）即語音識(shí)別、TTS（文本轉(zhuǎn)語音）即語音合成。本項(xiàng)目帶領(lǐng)學(xué)生通過完整的模型訓(xùn)練流程實(shí)現(xiàn)對(duì)訓(xùn)練指令的語音識(shí)別，并結(jié)合Arduino板實(shí)現(xiàn)模型的本地部署，使語音小助手不僅具有交流對(duì)話的功能，更能根據(jù)訓(xùn)練好的指令完成一系列操作。

本項(xiàng)目的主題是“看見”你的聲音，那么如何使聲音能夠被“看見”呢？在本項(xiàng)目中主要體現(xiàn)在兩個(gè)方面：一是在數(shù)據(jù)集處理的過程中，通過將音頻信號(hào)轉(zhuǎn)換成波形圖與音譜圖，讓學(xué)生實(shí)現(xiàn)用看的方式直觀理解音頻信號(hào)在圖像維度上的波形特征，并通過將音頻信號(hào)轉(zhuǎn)成音譜圖，使學(xué)生可以利用處理圖像的CNN卷積神經(jīng)網(wǎng)絡(luò)去處理音頻方面的問題，讓計(jì)算機(jī)實(shí)現(xiàn)用“看”的方式去處理“聽”的問題。二是在模型部署階段，除了可以使語音對(duì)話機(jī)器人實(shí)現(xiàn)聊天功能外，還能根據(jù)指令完成一系列可被看到的操作：開關(guān)燈、開關(guān)風(fēng)扇、開關(guān)窗戶、查詢室內(nèi)溫濕度并反饋等。

●項(xiàng)目介紹

1.項(xiàng)目背景

天貓精靈、小愛音箱等設(shè)備都具備了對(duì)話交流、完成各種指令操作等功能，其核心原理就是語音交互。那么，語音交互是如何實(shí)現(xiàn)的呢？除了對(duì)話交流外還能設(shè)計(jì)哪些功能呢？本項(xiàng)目將對(duì)這些問題進(jìn)行探索，并采集自己的指令音頻打造一個(gè)專屬私人語音小助手。

2.項(xiàng)目時(shí)長(zhǎng)

該項(xiàng)目分四部分，共5課時(shí)：自主采集音頻指令數(shù)據(jù)（課前）、處理音頻數(shù)據(jù)為語譜圖（1課時(shí)）；模型訓(xùn)練（1課時(shí)）；模型轉(zhuǎn)換（1課時(shí)）；模型部署（2課時(shí)）。

3.項(xiàng)目流程

因采集音頻需要安靜的環(huán)境，該階段讓學(xué)生在課前完成。學(xué)生2人一組，先利用matplotlib、librosa庫對(duì)采集的音頻信號(hào)進(jìn)行預(yù)處理并批量轉(zhuǎn)成語譜圖；然后搭建CNN卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)處理好的音頻數(shù)據(jù)進(jìn)行模型訓(xùn)練；接著將訓(xùn)練出的模型封裝，生成onnx模型，實(shí)現(xiàn)本地調(diào)用；最后，利用Arduino板、溫濕度傳感器、LED小燈、風(fēng)扇傳感器等完成硬件部署，實(shí)現(xiàn)語音小助手的制作。

●項(xiàng)目實(shí)施

1.音頻文件采集及處理

（1）音頻文件采集

學(xué)生根據(jù)自己的項(xiàng)目需求采集指令音頻。以本項(xiàng)目語音小助手為例，采集7種指令語句，每種指令150條，其中130條用作訓(xùn)練集，20條用于驗(yàn)證集。學(xué)生結(jié)合pyaudio庫，運(yùn)行圖1所示的代碼進(jìn)行音頻錄制。錄制時(shí)只需要設(shè)置好聲道數(shù)、比特率、錄制時(shí)間等即可。

圖1

同時(shí)，教師要提前配置好機(jī)房環(huán)境，為學(xué)生準(zhǔn)備好半成品模板代碼，鼓勵(lì)學(xué)生積累代碼范例并上傳至自己的學(xué)習(xí)平臺(tái)。例如，pyaudio調(diào)用麥克風(fēng)采集音頻文件、opencv采集圖像文件，學(xué)生將這些經(jīng)常用到的代碼，形成固定的代碼模塊，這樣在下一個(gè)項(xiàng)目中使用時(shí)，只要根據(jù)項(xiàng)目主題更改邏輯語句或簡(jiǎn)單參數(shù)即可，進(jìn)而提高課堂效率。

（2）音頻文件預(yù)處理

任意選擇兩條不同的語句，利用matplotlib、librosa庫繪制波形圖與音譜圖，圖2為“小梅關(guān)燈”與“屋里好黑”的音頻圖與語譜圖，學(xué)生通過對(duì)比，可以直觀理解兩條語音指令在圖像維度上的特征差異。然后將錄制好的音頻文件批量生成音頻譜圖，為后續(xù)模型訓(xùn)練做好準(zhǔn)備。

圖2

利用語音頻譜圖進(jìn)行模型訓(xùn)練有如下優(yōu)勢(shì)：①有利于本地機(jī)房環(huán)境下學(xué)生進(jìn)行模型訓(xùn)練，解決了機(jī)房環(huán)境下算力不足的問題。②用處理圖像的神經(jīng)網(wǎng)絡(luò)模型解決音頻問題，大大提高了所生成模型對(duì)音頻文件識(shí)別的準(zhǔn)確率。本項(xiàng)目基于pytorch搭建CNN卷積神經(jīng)網(wǎng)絡(luò)，模型預(yù)測(cè)階段識(shí)別準(zhǔn)確率在98%左右。

（3）批量生成語譜圖

利用librosa庫，將音頻信息批量轉(zhuǎn)化為語譜圖，核心代碼如下頁圖3所示。

圖3

2.模型訓(xùn)練

CNN卷積網(wǎng)絡(luò)在計(jì)算機(jī)視覺領(lǐng)域發(fā)揮了重要的作用，筆者借助某平臺(tái)搭建了卷積神經(jīng)網(wǎng)絡(luò)，對(duì)生成的語音譜圖進(jìn)行模型訓(xùn)練，核心代碼如下頁圖4所示。

圖4

3.模型轉(zhuǎn)換

onnx模型是一種廣泛使用的模型轉(zhuǎn)換文件格式，將訓(xùn)練好的模型文件導(dǎo)出并轉(zhuǎn)換為onnx模型，這樣便可以結(jié)合智能硬件，在本地對(duì)訓(xùn)練出的模型進(jìn)行部署。

4.模型部署

在模型部署環(huán)節(jié)，教師帶領(lǐng)學(xué)生實(shí)現(xiàn)兩大功能：一是能“聽”會(huì)“說”，即傳統(tǒng)意義上的語音交互功能，通過在代碼中接入圖靈機(jī)器人平臺(tái)API，實(shí)現(xiàn)與小助手對(duì)話交流；二是能“聽”會(huì)“做”，即利用Arduino，結(jié)合LED小燈、風(fēng)扇模塊、舵機(jī)、溫濕度傳感器等智能硬件，讓小助手根據(jù)語音指令完成包括開關(guān)燈在內(nèi)的一系列操作。

環(huán)節(jié)一：能“聽”會(huì)“說”

在這一環(huán)節(jié)，教師使用識(shí)別出的指令，關(guān)聯(lián)圖靈平臺(tái)API，與圖靈機(jī)器人進(jìn)行對(duì)話，并將返回的文字對(duì)話結(jié)果利用pyttsx3模塊轉(zhuǎn)換成語音進(jìn)行播報(bào)，實(shí)現(xiàn)與小助手對(duì)話的功能。學(xué)生兩人一組在圖靈機(jī)器人平臺(tái)注冊(cè)賬號(hào)，創(chuàng)建一個(gè)自己的聊天機(jī)器人，記錄下Apikey，這樣便可以在項(xiàng)目中實(shí)現(xiàn)與小機(jī)器人的對(duì)話了。接著，利用訓(xùn)練好的語句進(jìn)行測(cè)試，如“你的名字是什么”，機(jī)器人反饋結(jié)果“我就是人見人愛花見花開的劉小梅呀”。但圖靈平臺(tái)返回的是文字內(nèi)容，還需要利用pyttsx3模塊，將返回得到的結(jié)果轉(zhuǎn)化為語音形式，這一過程又叫做語音合成。核心代碼如圖5所示。

圖5

環(huán)節(jié)二：能“聽”會(huì)“做”

作品只能進(jìn)行對(duì)話交流顯然是不夠的，“小梅同學(xué)”還要具備其他功能，完成更多的任務(wù)，如“‘屋里好黑呀’：LED燈亮起”“‘小梅關(guān)燈’：LED燈關(guān)閉”“‘天氣真熱’：風(fēng)扇轉(zhuǎn)動(dòng)”等。以“小梅查詢溫濕度”為例，核心代碼如圖6所示，作品如圖7所示。

圖6

圖7