译者 | 朱先忠

简介

本文旨在指导您创建一个简单而强大的语音助手，以满足您的喜好。我们将使用两个强大的工具——Whisper和GPT来实现这一点。你可能已经知道GPT及其功能，但你知道Whisper是什么吗？

其实，Whisper是AI target=_blank class=infotextkey>OpenAI公司开发的一种高级语音识别模型，可提供准确的音频到文本转录。

我们将带您完成示例工程构建的每一步，包括编码说明。最后，您将拥有一款可启动并正常运行的语音助手。

准备工作

打开AI API密钥

如果你已经有了OpenAI API密钥，你可以跳过这一节。

Whisper和GPT API都需要访问OpenAI API密钥。与ChatGPT的订阅需要支持固定费用不同，API密钥是根据您使用服务的数量进行支付的。

价格还算是比较合理的。在撰写本文时，Whisper的价格为0.006美元/分钟，GPT（模型为GPT-3.5-turbo）的价格为0.002/1K代币（代币约为0.75个单词）。

OpenAI的网站（作者自己的图片）

要获取密钥，请首先在OpenAI网站上创建一个帐户。登录后，单击右上角的姓名并选择查看API密钥。单击按钮“创建新密钥（Create new secret key）”后，将显示您的密钥。请确保保存此密钥，因为您将无法再次看到它。

示例工程依赖的第三方库

本小节介绍项目所需的开源代码库。本文示例项目包括使用OpenAI开发的Python/ target=_blank class=infotextkey>Python库执行各种AI任务，以及使用pyttsx3生成语音，使用SoundDevice录制和播放音频，使用numpy和scipy进行数学运算等。和往常一样，在启动新项目时，您应该在安装包之前创建一个新的虚拟环境。

示例工程代码结构

我们的代码将围绕一个类构建，总共占用大约90行代码。在此，假设您对Python类语法知识已经有了基本的理解。整个类结构如下：

其中，Listen方法负责捕获用户的语音输入，并使用Whisper将其转换为文本。Think方法负责将文本发送到GPT，然后由GPT生成自然语言响应。speak方法负责将响应文本转换为可播放的音频。

注意：上图中最右边代表系统中的GPT助理部分（负责给出自然语言响应）。

下面这个过程是可以重复执行的，即用户可以通过发出另一个请求在对话中进行交互。

示例类对应的代码结构（作者自己的图片）

__init__函数

此函数负责初始化历史记录和设置API密钥。

我们需要一个历史记录来跟踪以前的消息。这基本上对应于我们助理的短期记忆，可以让它记住你在谈话中早些时候说的话。

listen函数

listen函数工作流程

这个方法相当于我们助理的耳朵功能。

listen函数允许接收来自用户的输入。此函数负责记录麦克风中的音频并将其转录为文本。

listen函数的具体作用如下：

• 录制音频时打印出“Listening…”信息。
• 使用声音设备以44100 Hz的采样率录制3秒的音频（或您想要的任何持续时间）。
• 将录制的音频保存为临时WAV文件中的NumPy数组。
• 使用OpenAI API的转录方法将音频发送给Whisper，由Whisper将其转录。
• 将转录后的文本打印到控制台，以确认转录成功。
• 以字符串形式返回转录后的文本。

在本例中，助理的监听时长为3秒钟，但您可以根据需要更改时间。

think函数

think函数工作流程

其实，我们系统中助理的大脑是由GPT驱动的。think函数负责接收助理听到的内容，并详细阐述回应内容。

值得注意的是，响应内容不是在您的本地计算机上创建的。文本需要发送到OpenAI的服务器，以便通过API进行处理。然后，响应内容被保存在响应变量中，用户消息和响应都被添加到历史记录中，即助手的短期记忆，负责为GPT模型提供上下文以生成响应。

speak函数

speak函数工作流程

speak函数负责将文本转换为语音，并将其回放给用户。此函数只接受一个参数：text。此参数应该是一个字符串，表示要转换为语音的文本。

当用文本字符串作为参数调用函数时，它会用命令engine=pyttsx3.init()初始化pyttsx3语音引擎。这个对象是引擎用来将文本转换为语音的主要接口。

然后，该函数指示语音引擎使用命令引擎将提供的文本转换为语音。这会将提供的要speak（由引擎读出）的文本排队。命令engine.runAndWait则负责告诉引擎处理排队的命令。

值得注意的是，Pyttsx3是在本地处理所有文本到语音的转换，这在系统的延迟方面是一个显著的优势。

最后的润色

到此，系统中助理部分已经准备好了。接下来，我们只需要创建一个辅助对象，然后开始对话。

对话是一个无限循环，当用户说出包含“Goodbye（再见）”的句子时，对话就结束了。

个性化体验技巧

总体来看，自定义GPT助手是轻而易举的事情！我们构建的代码是极具模块化的，它允许您通过添加各种功能进行自定义。以下是一些帮助您进行定制的参考想法：

• 给助理一个角色：改变最初的提示，让你的助理扮演你的英语老师、励志演说家或你能想到的任何其他角色！这方面定制，请查看Awesome ChatGPT Prompts了解更多想法。
• 更改语言：想使用另一种语言吗？没问题！只需将代码中的英语更改为您想要的语言即可。
• 构建应用程序：您可以轻松地将助手集成到任何应用程序中。
• 添加个性：通过添加自定义回复或使用不同的语调和语言风格，让你的助手拥有独特的个性。
• 与其他API集成：将您的助手与其他API进行集成，以提供更高级的功能，如天气预报或新闻更新等。

结论

在本文中，我们解释了如何检索OpenAI API密钥，并提供了用于捕获用户输入、生成响应以及将文本转换为语音以进行播放的listen、think和speak等函数的代码示例。

有了这些知识，您可以开始创建一款适合您自己特定需求的独特语音助手。总之，存在无限的可能性：从创建一个个人助理来帮助完成日常任务，到构建一个语音控制的自动化系统……有关本文示例的所有代码，您可以访问链接的Github存储库。

译者介绍

朱先忠，51CTO社区编辑，51CTO专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。

原文标题：Creating Your Personalized Voice Assistant with GPT and Whisper，作者：Donato Riccio