智能语音助手系统使用说明

功能概述

这是一个完整的智能语音助手系统，集成了语音录制、语音识别、大语言模型和文本转语音功能，实现语音对话交互。

完整工作流程

1. 🎙️ 语音录制 - 基于ZCR的智能语音检测
2. 📝 保存录音 - 自动保存为WAV文件
3. 🤖 语音识别 - 使用字节跳动ASR将语音转为文字
4. 💬 AI回复 - 使用豆包大模型生成智能回复
5. 🔊 语音回复 - 使用字节跳动TTS将AI回复转为语音

环境配置

1. 安装依赖

pip install websockets requests pyaudio numpy

2. 安装音频播放器（树莓派/Linux系统）

系统使用PCM格式音频，只需要安装基础的音频播放工具：

# 安装 alsa-utils（包含aplay播放器）
sudo apt-get update
sudo apt-get install alsa-utils

优势: PCM格式无需额外解码器，兼容性更好，资源占用更少。 注意: macOS和Windows系统通常内置支持音频播放，无需额外安装。

3. 设置API密钥

为了启用大语言模型功能，需要设置环境变量：

# Linux/Mac
export ARK_API_KEY='your_api_key_here'

# Windows
set ARK_API_KEY=your_api_key_here

注意: 语音识别和文本转语音功能使用内置的API密钥，无需额外配置。

使用方法

基本使用

python recorder.py

功能说明

• 🎯 自动检测语音：系统会自动检测声音并开始录音
• ⏱️ 智能停止：静音3秒后自动停止录音
• 🔊 自动播放：录音完成后自动播放音频
• 📝 语音识别：自动将语音转为文字
• 🤖 AI助手：自动调用大语言模型生成回复

配置参数

• energy_threshold=200 - 能量阈值（调整灵敏度）
• silence_threshold=3.0 - 静音阈值（秒）
• min_recording_time=2.0 - 最小录音时间（秒）
• max_recording_time=30.0 - 最大录音时间（秒）
• enable_asr=True - 启用语音识别
• enable_llm=True - 启用大语言模型
• enable_tts=True - 启用文本转语音

输出示例

🎤 开始监听...
能量阈值: 200 (已弃用)
静音阈值: 3.0秒
📖 使用说明:
- 检测到声音自动开始录音
- 持续静音3秒自动结束录音
- 最少录音2秒，最多30秒
- 录音完成后自动进行语音识别和AI回复
- 按 Ctrl+C 退出
==================================================
🎙️ 检测到声音，开始录音...
📝 录音完成，时长: 3.45秒 (包含预录音 2.0秒)
✅ 录音已保存: recording_20250920_163022.wav
==================================================
📡 音频输入已保持关闭状态
🔄 开始处理音频...
🤖 开始语音识别...
📝 识别结果: 你好，今天天气怎么样？
--------------------------------------------------
🤖 调用大语言模型...
💬 AI助手回复: 你好！我无法实时获取天气信息，建议你查看天气预报或打开天气应用来了解今天的天气情况。有什么其他我可以帮助你的吗？
--------------------------------------------------
🔊 开始文本转语音...
TTS句子信息: {'code': 0, 'message': '', 'data': None, 'sentence': {'phonemes': [], 'text': '你好！我无法实时获取天气信息，建议你查看天气预报或打开天气应用来了解今天的天气情况。有什么其他我可以帮助你的吗？', 'words': [...]}}
✅ TTS音频已保存: tts_response_20250920_163022.pcm
📁 文件大小: 128.75 KB
🔊 播放AI语音回复...
✅ AI语音回复完成
🔄 准备重新开启音频输入
✅ 音频设备初始化成功
📡 音频输入已重新开启

注意事项

1. 网络连接：需要网络连接来使用语音识别、大语言模型和文本转语音服务
2. API密钥：需要有效的ARK_API_KEY才能使用大语言模型功能
3. 音频设备：确保麦克风和扬声器工作正常
4. 权限：确保程序有访问麦克风、网络和存储的权限
5. 文件存储：系统会保存录音文件和TTS生成的音频文件

故障排除

• 如果语音识别失败，检查网络连接和API密钥
• 如果大语言模型失败，检查ARK_API_KEY是否正确设置
• 如果文本转语音失败，检查TTS服务状态
• 如果录音失败，检查麦克风权限和设备
• 如果播放失败，检查音频设备权限
• 如果PCM文件无法播放，检查是否安装了alsa-utils：

  # 树莓派/Ubuntu/Debian系统
  sudo apt-get install alsa-utils
  
  # 或检查aplay是否安装
  which aplay
  

技术特点

• 🎯 基于ZCR的精确语音检测
• 🚀 低延迟实时处理
• 💾 环形缓冲区防止音频丢失
• 🔧 自动调整能量阈值
• 📊 实时性能监控
• 🌐 完整的语音对话链路
• 📁 自动文件管理和权限设置
• 🔊 PCM格式音频，无需额外解码器

生成的文件

• recording_*.wav - 录制的音频文件
• tts_response_*.pcm - AI语音回复文件（PCM格式）

PCM格式优势

• 兼容性好：aplay原生支持，树莓派开箱即用
• 资源占用少：无需解码过程，CPU占用更低
• 延迟更低：直接播放，无需格式转换
• 稳定性高：减少依赖组件，提高系统稳定性