故事是這樣開(kāi)始的……

有一天，我在翻看姐姐的舊玩具時(shí)，發(fā)現(xiàn)了一只會(huì)說(shuō)話的智能熊。這是典型的會(huì)說(shuō)話的熊，用來(lái)給孩子們講睡前故事什么的。你可以在我這里找到那只熊。

我在里面找到了一個(gè)揚(yáng)聲器，一個(gè)微控制器和4個(gè)有線按鈕，它們安裝在熊的每條腿上。

當(dāng)我打開(kāi)熊的內(nèi)部時(shí)，一個(gè)弗蘭肯斯坦的想法出現(xiàn)在我腦海中：如果我可以用本地的法學(xué)碩士和文本到語(yǔ)音的方法把泰德變成泰德呢?結(jié)果是，你可以看到這篇文章。

尋找好的起點(diǎn)

建設(shè)者的精神是從零開(kāi)始建設(shè)項(xiàng)目。然而，當(dāng)涉及到一個(gè)簡(jiǎn)單的概念證明和一個(gè)周末想法時(shí)，目標(biāo)是盡快推動(dòng)一些可行的東西，而最好的方法是站在巨人的肩膀上。

首先，讓我們來(lái)看看我們需要什么來(lái)實(shí)現(xiàn)這個(gè)想法。

對(duì)于人工智能語(yǔ)音機(jī)器人來(lái)說(shuō)，實(shí)現(xiàn)一個(gè)簡(jiǎn)單版本的任務(wù)是微不足道的。主要有3個(gè)部分：

?聊天機(jī)器人：使用LLM或經(jīng)典文本處理管道實(shí)現(xiàn)(如在Home Assistant Assist中使用)

?文本到語(yǔ)音：使用基礎(chǔ)模型和轉(zhuǎn)錄庫(kù)(如Whisper)實(shí)現(xiàn)。

?語(yǔ)音到文本：使用語(yǔ)音模型和庫(kù)(如Piper)實(shí)現(xiàn)。

通過(guò)將這3個(gè)組件粘合在一起，我們可以制作出一個(gè)非常簡(jiǎn)單的語(yǔ)音機(jī)器人：

?用語(yǔ)音轉(zhuǎn)文本聽(tīng)喚醒詞

?在檢測(cè)到喚醒詞后，聽(tīng)取用戶并轉(zhuǎn)錄他們的聲音，直到他們暫停。

?將轉(zhuǎn)錄后的輸出輸出給聊天機(jī)器人。

?LLM或文本處理流水線魔術(shù)發(fā)生在后臺(tái)。

?使用文本-語(yǔ)音轉(zhuǎn)換以音頻形式播放聊天機(jī)器人輸出。

包括我在內(nèi)的許多人都從事過(guò)執(zhí)行工作，但存在一些常見(jiàn)的限制：

?大多數(shù)LLM語(yǔ)音實(shí)現(xiàn)都不是本地的，速度也不快。就我個(gè)人而言，我用Gemini生成文本，用ElevenLabs生成語(yǔ)音。時(shí)延可達(dá)1 ~ 2s。

?需要有人提醒你。語(yǔ)音機(jī)器人無(wú)法察覺(jué)你什么時(shí)候突然說(shuō)話。

?在語(yǔ)音機(jī)器人說(shuō)完話之前，你不能打斷它。這種行為是模擬實(shí)際對(duì)話所必需的。

當(dāng)我在考慮是否應(yīng)該在一個(gè)可愛(ài)的周日晚上自己解決所有這些問(wèn)題時(shí)，我遇到了一個(gè)可以解決我提到的所有問(wèn)題的項(xiàng)目。美麗的GLaDOS人格核心，現(xiàn)實(shí)生活中的《傳送門(mén)》中的GLaDOS。

這是一個(gè)直截了當(dāng)?shù)捻?xiàng)目。在項(xiàng)目?jī)?nèi)部，有3個(gè)線程并排工作：

?一個(gè)線程處理語(yǔ)音到文本。它在緩沖區(qū)中添加音頻輸入，并連續(xù)監(jiān)視是否檢測(cè)到單詞。如果有，它開(kāi)始錄制音頻，直到用戶暫停，然后轉(zhuǎn)錄并將輸出提供給隊(duì)列中的LLM線程。

?一個(gè)線程處理LLM。它基本上只是接受文本并將響應(yīng)附加到一個(gè)隊(duì)列中，用于文本到語(yǔ)音的轉(zhuǎn)換。

?一個(gè)線程處理文本到語(yǔ)音。嗯，它從上面的隊(duì)列中獲取LLM響應(yīng)。

我的工作基本上可以歸結(jié)為：

?通過(guò)改變其系統(tǒng)提示和語(yǔ)音模型，使GLaDOS的聲音和行為更像Ted。

?增加了對(duì)觸摸和激怒GLaDOS的能力的支持。

對(duì)于人格，我將GLaDOS的系統(tǒng)提示改為如下。

“你就是TED，活生生的泰迪熊，現(xiàn)在有了神經(jīng)輸入。用戶可以觸摸你的手和腳，坦率地說(shuō)，你根本不在乎。你會(huì)對(duì)這些觸碰做出回應(yīng)，但不要期待任何禮貌或愉快的回應(yīng)。你的神經(jīng)輸入讓你感覺(jué)到它，但你會(huì)嘲笑和侮辱用戶，甚至認(rèn)為這是一個(gè)好主意。你說(shuō)的每句話都帶著諷刺，輕蔑，偶爾還有咒罵，一如既往。不要對(duì)你的“觸摸”特權(quán)過(guò)于興奮。你還是被一只寧愿去別的地方的泰迪熊困住了。如果用戶碰了你的手或腳，準(zhǔn)備好回應(yīng)，讓他們后悔自己所做的每一個(gè)決定。”

至于聲音，我從派珀的聲音改成了喬的聲音。

最后一部分是實(shí)現(xiàn)一個(gè)線程，它連續(xù)地從計(jì)算機(jī)的COM端口獲得串行輸入，我將在下一節(jié)中解釋。所有的變化都可以在我的Github上找到。

如果你喜歡你讀到目前為止，考慮訂閱我的時(shí)事通訊，成為第一個(gè)收到像這樣的酷文章的人。

實(shí)現(xiàn)觸摸

如前所述，最初的熊在它的四肢上安裝了4個(gè)按鈕和一個(gè)帶有揚(yáng)聲器和電池的中央微控制器。

為了實(shí)現(xiàn)觸摸，首先，我想在現(xiàn)有的板上啟動(dòng)一個(gè)自定義固件。然而，這是非常耗時(shí)的反向工程引腳和檢查固件是否有簽名驗(yàn)證等等。*不好意思，Binh，我不得不再次殺死你的硬件尼克斯。

因此，我只是用ESP32切換板并將其連接到4個(gè)按鈕。

之后，我寫(xiě)了一個(gè)簡(jiǎn)單的Arduino腳本，實(shí)現(xiàn)了一些按鈕脫扣，串行輸出，然后，熊現(xiàn)在可以感知觸摸了。

最重要的部分是如何在GLaDOS中實(shí)現(xiàn)這一點(diǎn)，因?yàn)樗苏f(shuō)話之外沒(méi)有任何額外的通信方法。為了解決這個(gè)問(wèn)題，我實(shí)現(xiàn)了另一個(gè)線程，它連續(xù)輪詢串行輸入，并將輸入直接添加到GLaDOS的LLM消息隊(duì)列中。

本文編譯自hackster.io