python实现类似Siri的AI语音聊天机器人（需要图灵机器人和百度语音合成的API）

关注

原创最新推荐文章于 2026-04-15 09:01:20 发布 4.1k 阅读 AI 写同款· GEO 优化 ›

使用 Python 实现一个简单的智能聊天机器人 简要说明最近两天需要做一个python的小程序, 就是实现人与智能机器人（智能对话接口）的对话功能，目前刚刚测试了一下可以实现，就是能够实现个人与机器的智能对话(语音交流)。总体的思路大家可以设想一下, 如果要实现人与机器的智能对话, 肯定要有以下几个步骤: 计算机接收用户的语音输入将用户输入的语音输入转化为文本信息调用智能对话接口, 发送请求文本信息, 获取接口返回的智能回答文本信息将回答文本信息转化为语音格式输出这里可以安装很多现成的库函数, 阅读详情

程序简介：模仿Siri，参考微信公众号：学习python的正确姿势，在语音播放和搜索的基础上，增加了语音输入和打开常用软件功能。

一、配置

Windows10系统
python3.7
pycharm

（其实这些都不重要）

二、主要体系框架

（1）图灵机器人API

自己做一个生动的能聊天的机器人太麻烦了，不过图灵机器人已经帮我们做好了，而且提供了开放的接口，我们注册一个，使用它的接口就可以轻松实现，链接在下方：

图灵机器人官网

注册登录后，如下图所示创建机器人

创建好后你就拥有了这样一个语音聊天机器人：
机器人API

你还可以在“人物设置”栏里设置它的名字，性别，年龄之类的
还挺别致。。

这个不重要，我们看看它的API使用文档，了解一下怎么用的
图灵文档
嗯，好像很简单的亚子！
不管了，赶紧来试一下。。

import requests
import json

urls = 'http://openapi.tuling123.com/openapi/api/v2'	# 图灵接口的url
api_key = "！！！这里要用你自己的api密钥！！！"

prologue = "主人您好，我是Niubility，爱你哦~"	# 定义开场白
count = 1	# 用来计数输入的次数

# 回复
def respond(data):
	data_dict = {
      "reqType":0,
        "perception": {
            "inputText": {
                "text": data
            },
        },
        "userInfo": {
            "apiKey": api_key,
            "userId": "584403"
        }
    }
    result = requests.post(urls, json=data_dict)
    content = (result.content).decode('utf-8')
    # print(content)
    ans = json.loads(content)
    text = ans['results'][0]['values']['text']
    print('Niubility:',text)    # 机器人取名就叫Niubility

if __name__ == "__main__":
	print("Niubility:", prologue)
	while True:
		data = input('{}//你：'.format(count))  # 输入对话内容
		respond(data)
		count += 1

运行一下：
在这里插入图片描述
阔以阔以！！！
第一步，图灵机器人API就这样解决了，下一步！
(图灵未认证用户一天只能聊三句话，认证之后一天可以聊100句，我们只要学习它的用法就可以了)

（2）百度语音合成API

同样百度提供了开放的语音合成API，我们也注册一个吧，很简单，网址：

百度智能云官网

方法和上面图灵机器人差不多
注册完成之后是这样的：
在这里插入图片描述
查阅官方文档，用法差不多，有语音合成和语音识别两种，我们这里先完成语音合成吧，官方文档整理的很好：
百度语音合成api1
百度语音合成api2
试一下

首先要下载它的库：

pip3 install baidu-api

然后我们给他定义成方法，传入参数text为要语音合成的文字

import os
import playsound	# 播放音频的库
from aip import AipSpeech		# 百度语音的api

""" 你的 APPID AK SK """
APP_ID = '！！！你的 App ID！！！'
API_KEY = '！！！你的 Api Key！！！'
SECRET_KEY = '！！！你的 Secret Key！！！'

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)

# 语音合成
def speak_(text):
    result = client.synthesis(text, 'zh', 1, {
        'vol': 5,
        'per': 0,
        'spd': 5,
        'pit': 5
    })

    # 识别正确返回语音二进制 错误则返回dict 参照下面错误码
    if not isinstance(result, dict):
        with open('audio.mp3', 'wb') as f:
            f.write(result)
        playsound.playsound('audio.mp3')	# 播放
        os.remove('audio.mp3')		# 放完后删除音频文件，否则第二次会无法写入

再在respond(data)方法最后一行调用speak_(text)即可播放语音

（3）键盘监听+录音+保存wav文件

语音输入这部分我想实现的目标功能是：按一下键盘空格键开始录音，再按一下空格键录音结束，然后保存为一个.wav文件

1. 键盘监听

键盘监听我用的是pynput库
基本用法：

from pynput.keyboard import Listener


def check_input():
    with Listener(on_press=press) as listener:
        listener.join()

def press(key):
    # print(key.char)	# 按下键盘的操作,例如打印出按下的字符
    pass

2. 录音

录音我用的是pyaudio库

基本用法：

import pyaudio


"""pyaudio参数"""
CHUNK = 1024    # 数据包或者数据片段
FORMAT = pyaudio.paInt16    # pyaudio.paInt16表示我们使用量化位数 16位来进行录音
CHANNELS = 1    # 声道，1为单声道，2为双声道
RATE = 16000    # 采样率，每秒钟16000次
# RECORD_SECONDS = 5  # 录音时间

def recoder():
    _frames = []
    p = pyaudio.PyAudio()
    stream = p.open(channels=CHANNELS,
                    format=FORMAT,
                    rate=RATE,
                    input=True,
                    frames_per_buffer=CHUNK)
    while 1:
        data = stream.read(CHUNK)
        _frames.append(data)

    stream.stop_stream()
    stream.close()
    p.terminate()

需要注意的是，后面用到的百度语音识别双声道识别效果很差，设置单声道后就很好了，所以设置CHANNELS=1

还有后面用到的百度语音识别只支持16000采样率，所以RATE设置为16000

3. 保存.wav文件

用到wave库
结合pyaudio,基本用法：

import wave
import pyaudio


"""pyaudio参数"""
CHUNK = 1024    # 数据包或者数据片段
FORMAT = pyaudio.paInt16    # pyaudio.paInt16表示我们使用量化位数 16位来进行录音
CHANNELS = 1    # 声道，1为单声道，2为双声道
RATE = 16000    # 采样率，每秒钟16000次
# RECORD_SECONDS = 5  # 录音时间

def recoder():
    _frames = []
    p = pyaudio.PyAudio()
    stream = p.open(channels=CHANNELS,
                    format=FORMAT,
                    rate=RATE,
                    input=True,
                    frames_per_buffer=CHUNK)
    while 1:
        data = stream.read(CHUNK)
        _frames.append(data)

    stream.stop_stream()
    stream.close()
    p.terminate()

	# 保存wav文件
	wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')
    wf.setnchannels(CHANNELS)
    wf.setsampwidth(p.get_sample_size(FORMAT))
    wf.setframerate(RATE)
    wf.writeframes(b''.join(_frames))
    wf.close()
    # print("Saved")

（4）百度语音识别API

有了使用语音合成API的基础，用语音识别API就很easy
前面是一样的，所以我把他写在方法外，可以公用：

from aip import AipSpeech

""" 你的 APPID AK SK """
APP_ID = '你的 App ID'
API_KEY = '你的 Api Key'
SECRET_KEY = '你的 Secret Key'

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)

后面就是语音识别，传入的参数是音频文件的二进制码，文件格式（我们用的是wav），采样率（只能用16000，所以前面的录音必须设置RATE为16000），语言类别（默认1537，普通话）。

# 读取文件
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()

# 识别本地文件
client.asr(get_file_content(WAVE_OUTPUT_FILENAME), 'wav', 16000, {
    'dev_pid': 1537,
})

WAVE_OUTPUT_FILENAME就是我们刚才录音保存的文件名。

（5）浏览器搜索 + 打开常用软件功能

1. 浏览器搜索

打开浏览器，我们需要用到：webbrowser库，
没有的话自己pip安装一下
基本用法：

url = "www.baidu.com"
webbrowser.get().open(url)

我们前面已经能通过语音得到我们说的话text，当我们说的话text中有“搜索”两个字时，打开百度并搜索我们要搜的内容，实现代码：

if '搜索' in text:
	_, keywords = text.split('搜索')
	url = 'https://www.baidu.com/s?wd=' + keywords
	webbrowser.get().open(url)
else:
	...

2. 打开常用软件

windows打开软件有很多方法，参考：Python中四种运行其他程序的方式
我用的是win32api库，基本用法：
ShellExecute(hwnd, op, file, args, dir, show)

hwnd: 父窗口的句柄，如果没有父窗口，则为0
op : 要运行的操作，为open,print或者为空
file: 要运行的程序，或者打开的脚本
args: 要向程序传递的参数，如果打开的是文件则为空
dir : 程序初始化的目录
show: 是否显示窗口

盘他：

	if '搜索' in data:
		...
    elif '打开' in data:
        _, name = data.split('打开')
        # print(name)
        if '网易云' in name:
            win32api.ShellExecute(0, 'open', 'D:\App\CloudMusic\cloudmusic.exe', '', '', 1)    # 打开网易云，
        elif 'QQ' in name or 'qq' in name:
            win32api.ShellExecute(0, 'open', r'D:\App\QQ\Bin\QQScLauncher.exe', '', '', 1)    # 打开QQ
        elif '微信' in name:
            win32api.ShellExecute(0, 'open', r'D:\App\WeChat\WeChat.exe', '', '', 1)   # 打开微信

三、综合实现：

为了实现目标功能，还涉及到多线程，将键盘监听单独占用一个线程，设置run，初始值为False，当按下空格时，run变为True，再次按下时，run变为False，以此类推，当run为True时，开始录音，run为False时，录音结束。
运行效果图：（语音输入，语音输出）

全部完整代码：
（代码中api_key之类的要用你自己的噢）

import webbrowser
import requests
import json
import playsound
import os
import win32api
import pyaudio
import wave
import threading
from aip import AipSpeech
from pynput.keyboard import Listener


prologue = '主人您好，我是Niubility，爱你哦~'  # 开场白

"""图灵机器人API"""
urls = 'http://openapi.tuling123.com/openapi/api/v2'
key = '**********'
api_key = '********************'

count = 1   # 计数
run = False

"""pyaudio参数"""
CHUNK = 1024    # 数据包或者数据片段
FORMAT = pyaudio.paInt16    # pyaudio.paInt16表示我们使用量化位数 16位来进行录音
CHANNELS = 1    # 声道，1为单声道，2为双声道
RATE = 16000    # 采样率，每秒钟16000次
# RECORD_SECONDS = 5  # 录音时间
WAVE_OUTPUT_FILENAME = "output.wav"     # 保存录音文件名

""" 你的 APPID AK SK """
APP_ID = '**********'
API_KEY = '********************'
SECRET_KEY = '********************'

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)		# 百度语音接口

def recoder():
    _frames = []
    global run
    p = pyaudio.PyAudio()
    stream = p.open(channels=CHANNELS,
                    format=FORMAT,
                    rate=RATE,
                    input=True,
                    frames_per_buffer=CHUNK)
    while run:
        data = stream.read(CHUNK)
        _frames.append(data)

    stream.stop_stream()
    stream.close()
    p.terminate()

    wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')
    wf.setnchannels(CHANNELS)
    wf.setsampwidth(p.get_sample_size(FORMAT))
    wf.setframerate(RATE)
    wf.writeframes(b''.join(_frames))
    wf.close()
    # print("Saved")

# 按键按下空格时控制录音功能开关
def press(key):
    global run
    try:
        # print(str(key))
        if str(key) == 'Key.space':
            run = not run

            # print(run)
    except AttributeError as e1:
        print(e1)
        pass

# 监听键盘
def check_input():
    with Listener(on_press=press) as listener:
        listener.join()


# 读取录音文件字节码
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()

# 识别录音,语音转文字
def lic():
    res = client.asr(get_file_content(WAVE_OUTPUT_FILENAME), 'wav', 16000, {
        'dev_pid': 1537,
    })
    text = res['result'][0]
    # print(text)
    return text

# 语音合成
def speak_(text):
    result = client.synthesis(text, 'zh', 1, {
        'vol': 5,
        'per': 0,
        'spd': 5,
        'pit': 5
    })

    # 识别正确返回语音二进制 错误则返回dict 参照下面错误码
    if not isinstance(result, dict):
        with open('audio.mp3', 'wb') as f:
            f.write(result)
        playsound.playsound('audio.mp3')
        os.remove('audio.mp3')

# 第一层判别
def respond(data):

    if '歌' in data:
        douban_rul = 'https://douban.fm/'
        webbrowser.get().open(douban_rul)
    elif '搜索' in data:
        _, keywords = data.split('搜索')
        baidu_url = 'https://www.baidu.com/s?wd=' + keywords
        webbrowser.get().open(baidu_url)
    elif '打开' in data:
        _, name = data.split('打开')
        # print(name)
        if '网易云' in name:
            win32api.ShellExecute(0, 'open', 'D:\App\CloudMusic\cloudmusic.exe', '', '', 1)    # 打开网易云
        elif 'QQ' in name or 'qq' in name:
            win32api.ShellExecute(0, 'open', r'D:\App\QQ\Bin\QQScLauncher.exe', '', '', 1)    # 打开QQ
        elif '微信' in name:
            win32api.ShellExecute(0, 'open', r'D:\App\WeChat\WeChat.exe', '', '', 1)   # 打开微信

    else:
        data_dict = {
            "reqType":0,
            "perception": {
                "inputText": {
                    "text": data
                },
            },
            "userInfo": {
                "apiKey": api_key,
                "userId": "！！！你自己的userId！！！ "
            }
        }
        result = requests.post(urls, json=data_dict)
        content = (result.content).decode('utf-8')
        # print(content)
        ans = json.loads(content)
        text = ans['results'][0]['values']['text']
        print('Niubility:',text)
        speak_(text)


if __name__ == '__main__':

    print('Niubility:', prologue)
    speak_(prologue)
    print('{}//你:按  空格  键开始说话...'.format(count), end=' ')

    t1 = threading.Thread(target=check_input,args=())      # 监听键盘
    t1.start()

    while 1:

        if run is True:
            print('\r{}//你:正在听呢，说完了请再按  空格  键...'.format(count), end=' ')
            recoder()
            text2 = lic()
            print('\r{}//你:'.format(count),text2)
            respond(text2)
            count += 1
            print('{}//你:按  空格  键开始说话...'.format(count), end=' ')