在Jetson部署AI语音家居助手（二）：语音激活+语音转文字

原创于 2025-07-18 15:02:06 发布 · 1k 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #c++ #机器人 #linux #嵌入式硬件

前言

在jetson上搭建一个AI语音家居助手，主要需要四个部分的工作：

1️⃣获取麦克风输入，语音激活功能+语音转文字功能
2️⃣部署大语言模型理解转换后的文字输入 (本地推理或云推理)
3️⃣提取大模型推理文字结果后，执行文字转语音功能，播放推理结果
4️⃣根据推理结果，选择动作执行（控制家居设备）

本文主要完成1️⃣的搭建，2️⃣的搭建可以笔者之前的文章：

https://blog.youkuaiyun.com/Vingnir/article/details/149119735?spm=1001.2014.3001.5502

该部分功能的参考源码放在github仓库：

硬件构成

该部分主要有三个硬件构成；

Jetson主控- Orin NX 16g super，其他Orin系列产品也可。

麦克风- 四通道，单通道和双通道也可以，用于获取用户语音输入。

扬声器-USB接口或者其他接口都行，可以播放声音就行。

本人使用硬件如下：
主控：https://www.seeedstudio.com/reComputer-Super-J4012-p-6443.html
在这里插入图片描述

麦克风：https://www.seeedstudio.com/ReSpeaker-4-Mic-Array-for-Raspberry-Pi.htm![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/22a2f1fb820a407998be1ce4f527502f.jpeg

准备工作一

安装依赖：

sudo apt install nlohmann-json3-dev libcurl4-openssl-dev 
sudo apt install mpg123

准备麦克风获取与语音激活程序：

git clone https://github.com/jjjadand/record-activate.git

然后根据你使用的硬件，以及使用情况修改程序中的参数。
根据你的麦克风参数修改respeaker.cpp的参数：

#define SAMPLE_RATE     44100 //44100hz or 16000hz
#define BIT_PER_SAMPLE  16
#define CHANNELS        2
#define FORMAT          SND_PCM_FORMAT_S16_LE
#define RECORD_MS  20000 //最大录音时长
#define SLIENCE_MS     4000 //讲话结束静音时长判断阈值
#define ENERGY_VOICE   2000 //voice enegry threshold about active input
#define DEVICE_NAME     "plughw:2,0"  // 改为你的麦克风 device,hw:2,0兼容性不好，建议不要用

其中，SAMPLE_RATE是麦克风的采样率，可以自行查看，大多麦克风都支持16000hz的采样率，或者支持多个采样率。
CHANNELS是录音的通道数量，一般和麦克风硬件有关，麦克风上有四个接收器则最大设置为4，两个接收器器则最大设置为2。一般有四个接收器的麦克风可以把采样率参数调高，把通道数设置为2。
FORMAT是每个采集的音频样本的编码格式，16表示16bit长度，常见还有32bit和8bit的长度，LE表示小端字节编排形式。
BIT_PER_SAMPLE是指每个采集的样本长度，要和FORMAT对应，SND_PCM_FORMAT_S16_LE则对应16
SLIENCE_MS参数如果设置得小，程序则认为较短时间的停顿就结束录音，设置得比较大，则停顿时间较长时才结束录音。
RECORD_MS用来限制最大录音的时间长度。
ENERGY_VOICE是一个激活阈值，当声音的能量低于阈值的时候，程序不会主动录音，当检测到某一帧的声音能量大于阈值后，程序才会开始录音。笔者程序中的计算方式为取某一帧的均值用于比较判断。
DEVICE_NAME为麦克风映射的设备名，可以用下面的指令查看：

arecord -l

打印如下信息为例：
card 2: Array [reSpeaker XVF3800 4-Mic Array], device 0: USB Audio [USB Audio]
  Subdevices: 0/1
  Subdevice #0: subdevice #0


表示映射为设备名plughw:2,0或hw:2,0

除此之外，voice_gate.hpp和respeaker.cpp的一个数据类型FORMAT参数进行修改：

typedef int16_t bit_per; //int16，对应SND_PCM_FORMAT_S16_LE

我们还需要在wav2text.cpp中设置扬声器的设备名：

const std::string device = "plughw:0,3";  // 对应 card 0, device 3

扬声器的映射设备名类似地也可以用下面指令查看：

aplay -l

笔者的扬声器接入到hdmi显示屏上，类似的输出如下：
在这里插入图片描述
hdmi相关的有四个扬声器设备名映射，笔者都试了一下，最终确定有效映射为card 0, device 3

设置好这些基本参数后，我们再wav2text.cpp设置需要语音激活的关键词：

 std::vector<std::string> keywords = {"hello", "Hello", "super", "Super"};

语音激活的关键词可以是一个或者多个。

完成设置后，进行编译：

cd build
cmake ..
make

编译完成后获取如下两个程序：
在这里插入图片描述
其中，wav2text程序需要依赖whisper语音转文字模型，whisper的部署和启用在下面的小节。

准备工作二，whisper部署

语音转文字的功能我们借助开源项目whisper完成。完成whisper的部署后，就可以实现语音激活，并且可以为大语言模型提供语音转文字的输入。

git clone项目, 并获取针对英语的语音转文字模型，笔者这里选用的是base大小规格的模型：

git clone https://github.com/ggml-org/whisper.cpp.git
cd whisper.cpp
sh ./models/download-ggml-model.sh base.en

更多其他规格和语音种类的模型可以查看：https://github.com/ggml-org/whisper.cpp/blob/master/models/README.md

编译项目并测试是否可用：

cmake -B build
cmake --build build -j --config Release

# transcribe an audio file
./build/bin/whisper-cli -f samples/jfk.wav

编译完成后，在whisper项目文件夹下的build/bin路径对应的执行文件：
在这里插入图片描述

对模型进行量化，以提高推理速度：

./build/bin/quantize models/ggml-base.en.bin models/ggml-base.en-q5_0.bin q5_0

量化完成后的模型在whisper项目下的models文件夹：
在这里插入图片描述

完成语音激活+语音转文字

连接好硬件，基于准备工作一和准备工作二的程序，我们就可以完成语音转文字和语音激活的功能。

首先启动whisper的推理服务端，在whisper的项目路径下：

sudo ./build/bin/whisper-server -m  models/ggml-base.en-q5_0.bin  -t 8

不加入其他参数的情况下，默认请求推理地址和端口为“127.0.0.1:8080/inference”
-t 8表示启用八个线程。

启动语音转文字的本地服务后，运行（准备工作一）种编译好的wav2text程序：

 pasuspender -- sudo ./wav2text

然后运行record_lite:

 pasuspender -- sudo ./record_lite

运行的时候增加pasuspender选项是因为需要挂起PulseAudio，以便我们的程序后端可以直接访问ALSA设备，而不会被PulseAudio占用，避免音频设备冲突问题。

运行结果如下：

record_lite进程检测到声音能量大于阈值后开始录音，没有输入超过mute的时间阈值后结束录音：
在这里插入图片描述

wav2text完成语音转文字的请求，输出语音转文字结果，并进行语音激活检测，激活默认播放activate.mp3,可以替换为你想触发激活响应语音：
在这里插入图片描述
whisper-server完成语音转文字的推理请求，并把推理结果发送给wav2text：

总结

至此，我们完成了AI语音家居助手搭建的第二个模块，结合本地部署的大语言模型或云端的大语言模型，就实现一个雏形，剩下的工作就是action部分，并把大模型的输出整理后转为语音输出增加互动性。

附录

这里把主要的源码贴一下，如果访问不了github可以直接从这里复制：
------------respeaker.cpp------------⬇

#include <alsa/asoundlib.h>
#include <iostream>
#include <fstream>
#include <string>
#include <chrono>
#include <thread>

#define SAMPLE_RATE     44100
#define BIT_PER_SAMPLE  16
#define CHANNELS        2
#define FORMAT          SND_PCM_FORMAT_S16_LE
#define RECORD_MS  10000 //最大录音时长
#define SLIENCE_MS     2000 //讲话结束静音时长判断阈值
#define DEVICE_NAME     "plughw:2,0"  // 改为你的麦克风 device,hw:2,0兼容性不好，建议不要用

typedef int16_t bit_per;

#include "voice_gate.hpp"


std::ofstream wavFile;
size_t totalBytes = 0;

unsigned int sample_rate = SAMPLE_RATE;
int dir;
snd_pcm_format_t format;
unsigned int channels = 4;


void write_wav_header(std::ofstream &file, int sample_rate, int num_channels, int bits_per_sample) {
    char header[44] = {0};

    int16_t audio_format = 1;  // PCM
    int32_t byte_rate = sample_rate * num_channels * bits_per_sample / 8;
    int16_t block_align = num_channels * bits_per_sample / 8;

    // RIFF chunk
    memcpy(header, "RIFF", 4);
    *(int32_t*)(header + 4) = 0;  // Placeholder for file size
    memcpy(header + 8, "WAVE", 4);

    // fmt subchunk
    memcpy(header + 12, "fmt ", 4);
    *(int32_t*)(header + 16) = 16;               // Subchunk1Size for PCM
    *(int16_t*)(header + 20) = audio_format;
    *(int16_t*)(header + 22) = num_channels;
    *(int32_t*)(header + 24) = sample_rate;
    *(int32_t*)(header + 28) = byte_rate;
    *(int16_t*)(header + 32) = block_align;
    *(int16_t*)(header + 34) = bits_per_sample;

    // data subchunk
    memcpy(header + 36, "data", 4);
    *(int32_t*)(header + 40) = 0;  // Placeholder for data size

    file.write(header, 44);
}



void finalize_wav(std::ofstream &file, size_t dataBytes) {
    file.seekp(4, std::ios::beg);
    int32_t fileSize = 36 + dataBytes;
    file.write(reinterpret_cast<char*>(&fileSize), 4);
    file.seekp(40, std::ios::beg);
    file.write(reinterpret_cast<char*>(&dataBytes), 4);
}

int main() {
    snd_pcm_t *pcm_handle;
    snd_pcm_hw_params_t *params;
    int dir;
    int rc = -1;

    rc = snd_pcm_open(&pcm_handle, DEVICE_NAME, SND_PCM_STREAM_CAPTURE, 0);
    if (rc < 0) {
        std::cerr << "Unable to open PCM device: " << snd_strerror(rc) << std::endl;
        return 1;
    }

        // 分配参数结构
    snd_pcm_hw_params_malloc(&params);
    snd_pcm_hw_params_any(pcm_handle, params);

    // 获取采样率
    snd_pcm_hw_params_get_rate(params, &sample_rate, &dir);
    std::cout << "采样率: " << sample_rate << " Hz" << std::endl;

    // 获取通道数
    snd_pcm_hw_params_get_channels(params, &channels);
    std::cout << "通道数: " << channels << std::endl;

    // 获取音频格式
    snd_pcm_hw_params_get_format(params, &format);
    std::cout << "格式: " << snd_pcm_format_name(format)
              << " (" << snd_pcm_format_description(format) << ")" << std::endl;



    //config the PCM_handle

    snd_pcm_hw_params_set_access(pcm_handle, params, SND_PCM_ACCESS_RW_INTERLEAVED);
    snd_pcm_hw_params_set_format(pcm_handle, params, FORMAT);
    snd_pcm_hw_params_set_channels(pcm_handle, params, CHANNELS);
    snd_pcm_hw_params_set_rate(pcm_handle, params, sample_rate, 0);
    snd_pcm_hw_params(pcm_handle, params);
    snd_pcm_hw_params_free(params);

    snd_pcm_prepare(pcm_handle);

    int buffer_frames = 1024 * 2; // 
    bit_per* buffer = new bit_per[buffer_frames]();  //强制零初始化

    int buffer_l_frames = 1024 ; // 
    bit_per* buffer_l = new bit_per[buffer_l_frames * CHANNELS]();  //强制零初始化
    //int16_t* buffer = (int16_t*) aligned_alloc(16, buffer_frames * sizeof(int16_t));
    //memset(buffer, 0, buffer_frames * sizeof(int16_t));


    std::string filename = "respeaker_output.wav";

    //实例化输入声响阈值
    VoiceGate gate(/*energyThresh*/ 500, //单帧能量阈值
               /*silenceMs   */ RECORD_MS,
               /*sampleRate  */ SAMPLE_RATE,
               /*frameSamples*/ buffer_l_frames * CHANNELS);

    size_t total_samples = SAMPLE_RATE * RECORD_MS/1000;
    size_t recorded_samples = 0;

    

    while(true)
    {

        rc = snd_pcm_readi(pcm_handle, buffer_l, buffer_l_frames);
        if (rc < 0) continue;

        if (rc > buffer_l_frames) {
            std::cerr << "rc = " << rc << " exceeds buffer_frames = " << buffer_frames << std::endl;
            continue;
        }

        if(rc >0 ){
            //printf("Read %d frames from PCM device.\n", rc);
            gate.update(buffer_l, rc * CHANNELS);
        }
        
        bool enable = false;
        if(gate.startSegment()) {

            std::cout << "Start recording segment...٩(๑>◡<๑)۶" << std::endl; 
            if (wavFile.is_open()) wavFile.close();
            wavFile.open(filename, std::ios::binary);
            write_wav_header(wavFile, SAMPLE_RATE, CHANNELS, BIT_PER_SAMPLE); // 32-bit PCM
            wavFile.write(reinterpret_cast<char*>(buffer_l), rc * CHANNELS * sizeof(bit_per));
            recorded_samples += rc;
            totalBytes += rc * sizeof(bit_per);
            
            while((recorded_samples < total_samples)&&(gate.stopSegment() == false)){
                //printf("breakpoint\n" );
                if(enable == true){
                    rc = snd_pcm_readi(pcm_handle, buffer_l, buffer_l_frames);
                }
                enable = true;
                gate.update(buffer_l, rc * CHANNELS);
                
                if (rc == -EPIPE) {
                    std::cerr << "Overrun occurred" << std::endl;
                    snd_pcm_prepare(pcm_handle);
                    continue;
                } else if (rc < 0) {
                    std::cerr << "Error reading: " << snd_strerror(rc) << std::endl;
                    break;
                }
                //wavFile.write((char *)buffer_l, rc * CHANNELS * sizeof(bit_per));
                wavFile.write(reinterpret_cast<char*>(buffer_l), rc * CHANNELS * sizeof(bit_per));

                recorded_samples += rc;
                totalBytes += rc * CHANNELS * sizeof(bit_per);
            }

            std::cout << "Recording is over..(>^ω^<)" << std::endl;
            recorded_samples = 0;
            finalize_wav(wavFile, totalBytes);
            wavFile.close();
            //free(buffer);
            totalBytes = 0;
        }


    }
    
        snd_pcm_drain(pcm_handle);
        snd_pcm_close(pcm_handle);
        delete[] buffer;
        delete[] buffer_l;

    std::cout << "Saved to " << filename << std::endl;
    return 0;
}

------------voice_gate.hpp------------⬇

#ifndef VOICE_GATE_HPP
#define VOICE_GATE_HPP

#include <stdio.h>
#include <cstdint>
#include <cmath>

typedef int16_t bit_per; // feed one frame 

class VoiceGate {
public:
    VoiceGate(double energyThresh,              // e.g. 800
              int   silenceMs,                 // e.g. 1000  
              int   sampleRate,                // e.g. 16000
              int   frameSamples)              // e.g. 
        : THRESH(energyThresh),
          SILENCE_LIMIT_FRAMES((silenceMs * sampleRate) / (1000 * frameSamples)),
          samplesPerFrame(frameSamples) {}

    
    void update(const bit_per* data, int len) {
        double e = rmsEnergy(data, len);
        double log_sound = e;
        //printf("this frame e is %lf\n",log_sound);
        if (state == Standby) {
            if (e > THRESH) {          // speech starts
                state = Recording;
                silenceCtr = 0;
                started  = true;
                stopped = false;

            }
        } else {                       // Recording
            if (e > THRESH) {
                re_mute = true;
                silenceCtr = 0;        // still speech
            } else {
                if(re_mute = true){
                    start_time = std::chrono::high_resolution_clock::now();
                    re_mute = false;
                }
                ++silenceCtr;

                if((silenceCtr > SILENCE_LIMIT_FRAMES)){
                    state = Standby;       // speech ended
                    started =false;
                    stopped = true;
                    auto over_time = std::chrono::high_resolution_clock::now();
                    std::chrono::duration<double, std::milli> duration_ms = over_time - start_time;
                    //std::cout << "mute time: " << duration_ms.count() << " 毫秒" << std::endl;
                }
            }
        }
    }

    bool isRecording()  const { return state == Recording; }
    bool startSegment() { bool f = started;  started = false;  return f; }
    bool stopSegment()  { bool f = stopped;  return f; }

private:
    enum { Standby, Recording } state = Standby;
    const float THRESH;
    const int   SILENCE_LIMIT_FRAMES;
    const int   samplesPerFrame;

    int  silenceCtr = 0;
    bool started    = false;
    bool stopped    = false;
    bool re_mute    = true;
    std::chrono::time_point<std::chrono::_V2::system_clock, std::chrono::_V2::system_clock::duration>  start_time;

    double rmsEnergy(const bit_per* buf, int len) const {
        double sum = 0.0f;
        bit_per tmp_data = 0;
        len > (samplesPerFrame)? len = (samplesPerFrame) : len = len; 
        for (int i = 0; i < len; ++i){
            if (buf[i] < -2147483648 || buf[i] > 2147483647) {
                fprintf(stderr, "Error: Sample value out of range: %d\n", buf[i]);
                return 0.0; // Return 0 if sample is out of range
            }
            tmp_data = abs(buf[i]); // Ensure the value is non-negative
            sum += tmp_data;
            //printf("buf[%d] is %d\n", i, buf[i]);
        }
        double ave = sum / len;
        return ave;
    }
};
#endif

------------shared_state.h------------⬇

// shared_state.h
#ifndef SHARED_STATE_H
#define SHARED_STATE_H

enum class VoiceState {
    RECORDED,
    RECORDING,
    DECODE,
    PLAYING,
    RESTART,
    INIT
};

#endif

------------wav2text.cpp------------⬇

#include <iostream>
#include <fstream>
#include <unistd.h>
#include <string>
#include <fcntl.h>
#include <sys/stat.h>   // for mkfifo
#include <sys/types.h>  // for mode_t
#include <string>
#include <chrono>
#include <thread>
#include <curl/curl.h>
#include <nlohmann/json.hpp>

#include "shared_state.h"
using json = nlohmann::json;

// 用于保存返回数据
static size_t WriteCallback(void *contents, size_t size, size_t nmemb, void *userp) {
    ((std::string*)userp)->append((char*)contents, size * nmemb);
    return size * nmemb;
}

std::string transcribe_audio(const std::string& filepath) {
    CURL *curl;
    CURLcode res;
    std::string readBuffer;

    curl_mime *form = nullptr;
    curl_mimepart *field = nullptr;

    curl_global_init(CURL_GLOBAL_ALL);
    curl = curl_easy_init();

    if(curl) {
        form = curl_mime_init(curl);

        // 添加 WAV 文件
        field = curl_mime_addpart(form);
        curl_mime_name(field, "file");
        curl_mime_filedata(field, filepath.c_str());

        // 设置 response_format = json
        field = curl_mime_addpart(form);
        curl_mime_name(field, "response_format");
        curl_mime_data(field, "json", CURL_ZERO_TERMINATED);

        curl_easy_setopt(curl, CURLOPT_URL, "http://127.0.0.1:8080/inference");
        curl_easy_setopt(curl, CURLOPT_MIMEPOST, form);

        // 设置回调函数保存返回内容
        curl_easy_setopt(curl, CURLOPT_WRITEFUNCTION, WriteCallback);
        curl_easy_setopt(curl, CURLOPT_WRITEDATA, &readBuffer);

        // 执行请求
        res = curl_easy_perform(curl);

        // 检查错误
        if(res != CURLE_OK)
            std::cerr << "curl_easy_perform() failed: " << curl_easy_strerror(res) << std::endl;

        curl_mime_free(form);
        curl_easy_cleanup(curl);
    }

    curl_global_cleanup();
    return readBuffer;
}

bool contains_keywords(const std::string& text, const std::vector<std::string>& keywords) {
    for (const auto& keyword : keywords) {
        if (text.find(keyword) != std::string::npos) {
            return true;  // Keyword found
        }
    }
    return false;  // No keyword found
}



int main() {
    mkfifo("/tmp/state_pipe2", 0666); // 创建命名管道

    int pipe_fd = open("/tmp/state_pipe", O_RDONLY | O_NONBLOCK);
    int pipe_ba = open("/tmp/state_pipe2", O_WRONLY | O_NONBLOCK );
    VoiceState state = VoiceState::INIT;
    VoiceState state_ba = VoiceState::INIT;

    while(1){
        read(pipe_fd, &state, sizeof(state));
        if(state == VoiceState::RECORDED){
            printf("breakpoint\n");
            state_ba = VoiceState::DECODE;
            write(pipe_ba, &state_ba, sizeof(state_ba));
            std::string result_json = transcribe_audio("respeaker_output.wav");


            std::cout << "Whisper 推理结果:\n" << result_json << std::endl;
                // Parse JSON
            nlohmann::json j = nlohmann::json::parse(result_json);
            std::string text = j["text"];

                // Define multiple keywords
            std::vector<std::string> keywords = {"hello", "Hello", "super", "Super"};
             //delete respeaker_output.wav

            // Check if any of the keywords are found in the text
            if (contains_keywords(text, keywords)) {
                std::cout << "One or more keywords matched!" << std::endl;
                const std::string device = "plughw:0,3";  // 对应 card 0, device 3
                const std::string file = "activate.mp3";
                std::string cmd = "mpg123 -a " + device + " \"" + file + "\"";

                std::cout << "Executing: " << cmd << std::endl;

                int ret = system(cmd.c_str());
                if (ret != 0) {
                    std::cerr << "mpg123 playback failed!" << std::endl;
                }

                state_ba = VoiceState::RESTART;
                write(pipe_ba, &state_ba, sizeof(state_ba));
            } else {
                std::cout << "No keywords matched." << std::endl;
                state_ba = VoiceState::RESTART;
                write(pipe_ba, &state_ba, sizeof(state_ba));
            }
            
            
        }


    }
    close(pipe_fd);
    close(pipe_ba);
    return 0;
}