现有的一些“智能音箱”如某度和某猫精灵，跟现在的chatGPT比显得智障。假如能有一款接入chatGPT的智能音箱，它的交互性就很多啦。有gpt加持的智能音箱绝对会很强，以下供给讨论下完成思路。
现在智能音箱在语音交互层面依然不行成熟，正如雷科技此前撰写《ChatGPT该给语音帮手们补补“智商”了》一文中说到的那样，不管是Siri仍是小爱同学，大部分运用过语音帮手的用户大约都赞同，它们必定不算聪明，甚至交互起来十分别扭。
语音交互体会欠安，用户天然用起来的爱好就不大了。
然而，ChatGPT的忽然呈现，给职业带来了期望。这类大型天然言语处理模型，刚好能处理传统语音帮手“无法理解前后语意，长句辨认不行准确”的问题，能为语音交互供给更好的准确性、扩展性、连贯性，让机器理解人类语音指令的能力，完成指数级飞跃。
正因如此，借助ChatGPT来优化语音帮手的设想，确实存在着较高的可行性。假如真的能让语音帮手接入ChatGPT，那就能让智能音箱主动分辨用户是否在和自己交流，并和用户随时随地展开天然交流。让用户愿意去和智能音箱攀谈，也让智能音箱成为用户日常日子或工作中，真实高效智能的帮手。
要完成一个智能 AI 音箱，涉及到语音辨认、天然言语处理、语音组成等多个技术领域。下面介绍一个扼要的完成计划进程。
完成进程
-
收集语音指令 需求运用麦克风或许其他外部设备来收集用户的语音指令。能够运用如 PortAudio 等音频库进行录音，并转换成适合语音辨认的采样率和格式。
-
语音辨认 收集到语音数据之后，需求运用语音辨认技术将其转换成文本。能够运用如百度智能云、讯飞等供给的语音辨认服务，也能够运用开源的语音辨认库如 Kaldi 等进行离线辨认。
-
文本处理 得到文本之后，需求进行天然言语处理，将指令分类和解析。这儿能够运用 chatgpt 进行指令分类和对话管理。需求将 chatgpt 集成到代码中，并在处理文本时发送给 chatgpt 进行处理。
-
处理 chatgpt 响应 得到 chatgpt 的响应之后，需求将其转换成语音并进行播映。能够运用各类语音组成库，如百度智能云、讯飞、MaryTTS 等进行语音组成，并运用如 PortAudio 等音频库进行播映。 以上计划仅为一种扼要的完成计划。
PortAudio介绍
PortAudio是一个免费的、跨渠道的、开放源码的音频I/O库。它能够让你用C或C++来编译并在多种渠道能够运行的简略音频程序，包括Windows、Macintosh OS X和UNIX（OSS / ALSA）。它旨在促进不同渠道上开发人员之间的音频软件交融。许多应用程序已经运用PortAudio库进行音频I/O处理。
Kaldi介绍
Kaldi是现在最流行的ASR（主动语音辨认技术）开源项目之一，已被很多商用的言语辨认系统运用。自从2019年Kaldi最主要的开发维护者，被称为Kaldi之父的Daniel Povey参加小米，出任小米集团语音首席科学家后，愈加提升了小米的智能语音产品，并且小米也许诺会继续坚持自己纯粹、极致的开源文明，继续不断地加大对Kaldi的投入，继续为Kaldi社区做贡献。
跋文
有开发者已经这样做了。在代码保管渠道Github上，有开发者测验将ChatGPT接入小爱同学，只要用户完成部署，所有引发小爱同学后，以「帮我」最初询问的问题都会主动以文本形式发送一份给ChatGPT，而ChatGPT 生成的文本则会被小爱同学通过TTS（语音组成技术）进行语音回答。
从开发者的演示显现，整个进程满足流通，实践回答也远超小爱同学原本的“智力”水平。
不过，这个项目只是个人开发者的测验，这也意味着现在接入ChatGPT的小爱同学只要谈天能力，假如你将悉数对话都接到ChatGPT，那么智能互联的功用就相当于全废了，比如定闹钟、播音乐、操控iot设备等。
如何让ChatGPT在听得懂人说话的同时，能够去协助人们干事，才是改进智能音箱运用体会的关键所在。
引用
基于KALDI开发安卓离线语音辨认项目
在树莓派上建立kaldi离线语音辨认系统
kaldi嵌入式渠道的移植及完成 Linux音频录制和播映
markdown PortAudio —— 跨渠道音频收集API PortAudio portaudio运用笔记
Kaldi的简略介绍
kaldi在Windows下的运用
本文由mdnice多渠道发布
