ChatAudio 通过TTS + STT + GPT 实现语音对话（低仿微信聊天）

最新推荐文章于 2025-06-12 02:29:51 发布

悲伤日记

最新推荐文章于 2025-06-12 02:29:51 发布

阅读量6.5k

点赞数 3

CC 4.0 BY-SA版权

文章标签： gpt 微信

本文链接：https://blog.youkuaiyun.com/Crazymryan/article/details/130164682

本文介绍了如何通过STT（语音转文字）、TTS（文字转语音）和GPT实现类似微信聊天的语音对话功能。利用OpenAI的GPT进行核心对话，科大讯飞的API处理音频转换，并提供了前端实现的详细步骤，包括Vue和Element UI的使用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

为什么要使用 SST + TTS 如果用户直接输入音频，OpenAI 的 API 中并没有直接使用语音和 GPT 进行对话的功能。

前面说到了，OpenAI 中不存在这种 API，但是提供了一个 Whisper 机器人，支持将音频流转化为文本，也就是 STT。

实现如下返回的 text 就是识别的语音内容

const {
   data: { text: prompt },
} = await openai.createTranscription(
  fs.createReadStream(fileName),
  "whisper-1"
);

OpenAI 目前只提供了 STT，如果需要返回给用户一个音频的话。就需要用到国内的科大讯飞每天有 5.05w 次免费的 TTS^[1]。

如果你有国外信用卡，可以考虑使用微软推出 Azure，很多电报机器人就是用的它来开发的，免费使用 12个月。

所以在这里还是使用科大讯飞的 TTS

音频没有直接返回流，而是直接生

200万优质内容无限畅学