B站UP主硬核自制智能音箱：有ChatGPT加持，才是真・智能
机器之心报道
机器之心编辑部
在大型语言模型的加持下，智能音箱领域的「拐点」即将到来？
在智能音箱风靡的那些年，很多人都希望能与音箱来一场深度对话。可惜事与愿违，智能音箱的对话能力显然达不到人类的要求。如今，智能音箱的市场红利期已经过去，昔日光环消退，渐渐不再为人提起。
一位名为「GPTHunt」的 Up 主也是一样，自述是智能语音音箱的「轻度爱好者」。只是失望的次数太多了，也就不再抱有希望。
比如，他买过亚马逊的 Alexa 音箱，但发现自己英语水平不太够，此外音箱产品设计也不够 local，试用了一阵就弃坑了。
他也买过网易三音音箱，听音乐、设闹钟都挺好的，但「需要用到脑子的问题就不能指望了」。而且这款音箱还会有一些「抽风」时刻，比如在自己打电话的时候突然接话，或是在看电影的时候突然出声……
苹果家的 Siri 同理，你可以命令它设置闹钟，咨询它时间和天气，但完全不能谈论有些深度的问题。
这些烦恼，都可以归结于 AI 的对话能力不够用。但近段时间面世的大型语言模型 ChatGPT，却给了这位 UP 主新的希望。
某天，他突然想到，何不用 ChatGPT 改造一下音箱，自制一款智能且强大的语音助理呢？
视频地址：
https://www.bilibili.com/video/BV11M411F7Ww/
自制过程
作者设计的架构草图如下，从语音输入到音箱回复，大致分为四个步骤：唤醒、语音识别、ChatGPT、语音合成。
硬件方面，自然是极客的不二之选：树莓派。
作者翻出尘封了几年的树莓派 3 Model B，发现它并未自带麦克风。只能在某宝光速下单，一边等快递，一边先用电脑调试。
接下来就是系统搭建工作了。首先要实现的，就是唤醒词检测。
唤醒词是一个特殊的词或短语，用于在说出它时激活设备，不说时让设备睡眠，也被称为「热词」和「触发词」
这里隐含一条规则，就是在唤醒前绝不允许偷听。然而实际上我们无法确认音箱到底有没有在偷听，所以只有自己使用开源代码去实现，才能确认音箱在唤醒之前不会偷听。
想必大家都听过一些常见的唤醒词，比如「Hey Siri」、「小爱同学」、「小度小度」。自定义唤醒词同样要遵守相应规则：一是避免使用过短的单词，以免产生误报；二是出于用户体验的考虑，唤醒词还要尽可能短；三是尽量选择不同发音的单词，组合特征更明显不易误报。
作者在这里使用的检测框架是 Porcupine，该框架对非商业应用免费开放，且支持多个词，唯一的遗憾是暂不支持中文。
最终，作者选择的唤醒词是「Hello Chat」。经过在线录音和训练后，得到了下载即用的模型。作者编写了一个脚本来运行唤醒词检测，检测之后会回应一声「咦」。
唤醒之后，作者用基于 Python 的语音处理库「PyAudio」来录制声音，假如此时你不想钻研项目文档，可以直接让 ChatGPT 给出示例代码，再做些微调即可。
第二步就是语音识别了，作者选择了微软 Azure 的在线 ASR，识别比较准确，速度也很快。这项功能会提供静音检测，当然也可以使用 Porcupine 提供的 cobra 静音检测功能，来判断语音输入何时结束。
第三步就是将 Azure 的识别结果发送给 ChatGPT，收到回复后再进行语音合成（TTS），通过音箱播放出来。
经过一番调试之后，网购的麦克风也到货了，将整套系统移植到树莓派，大功告成。
效果展示
通常，你会问智能音箱什么问题？
首先，作者询问了一个哲学问题：「用 10 个字回答人生的意义」。音箱用 5 个词语完美回答了这个问题：「探索、成长、分享、欣赏、感恩」，字数也刚好是十个字。
然后，作者又问了一个和科技行业有关的问题：「马斯克和乔布斯谁更厉害」。智能音箱的回答首先说明「这个问题没有确切答案，两个人都在不同的领域取得了巨大成就」，然后分别介绍马斯克和乔布斯两个人的成就。
当然，除了提问，你也可以和这款智能音箱打招呼，它就像是你身边的一个小助手：
此外，自己构建智能音箱还有一个好处是可以查看音箱工作时执行的代码，分析程序占用的资源。
最重要的是，作者可以测试音箱的响应速度，并做出改进。第一版智能音箱听到问题后需要 10-20 秒才能作出回答，改进之后的第二版则只需要 4-6 秒，这个时间主要是 ChatGPT 的网络 + 计算时间开销。此外，作者还表示这款智能音箱的功能可以无缝迁移到其他平台。
最后，作者还挖了个坑：ChatGPT 在连续、关联性对话上的能力，又会如何提升音箱的智能水平？