【ESP32S3 Sense接入语音识别+MiniMax模型+TTS模块语音播报】
- 1. 前言
- 2. 功能模块概述
- 2.1 语音接入
- 2.2 大模型接入
- 2.3 TTS模块接入
- 3. 先决条件
- 3.1 环境配置
- 3.2 所需零件
- 3.3 硬件连接步骤
- 4. 核心代码
- 4.1 源码分享
- 4.2 代码解析
- 5. 上传验证
- 5.1 对话测试
- 5.2 报错
- 6. 总结
1. 前言
大家好,今天的教程将围绕如何实现精准的语音播报功能展开,我们用到了ESP32S3 Sense接入语音识别+MiniMax模型对话+SNR9816TTS模块。
在后续的测试过程中,我们用到了一款极致实用的AI工具——海螺AI!(有问题,找海螺AI)它是MiniMax旗下的一款自研AI平台,专注于解决实际问题,可以让你的工作更高效、更便捷!
本博客文本作为输入海螺AI,生成了以下视频文案,还是非常不错哒!👍👍👍
海螺AI提供了多种实用功能,能够满足多种场景下的需求。比如,你可以用它来处理图片和文件、进行知识搜索和问答、生成代码和文案,让你的工作流更畅通无阻!
MiniMax是海螺的母公司,MiniMax最近推出了大法师计划,为全球大模型初创公司和开发者免费提供2000亿tokens,以促进通用人工智能设计开发行业的发展。(MiniMax大法师计划)
2. 功能模块概述
首先串口输入“1”字符,随后麦克风采集2s声音数据,对接百度在线语音识别,将返回文本结果丢入MiniMax模型,进而返回第二次结果文本,实现语言对话文本效果。经过以上两次调用后,载入TTS模块就可完整对话,实现精准的语音播报功能。
讲解视频:
2.1 语音接入
百度在线语音接入教程:
【ESP32S3 Sense接入百度在线语音识别】
使用Seeed XIAO ESP32S3 Sense开发板接入百度智能云实现在线语音识别。自带麦克风模块用做语音输入,通过串口发送字符“1”来控制数据的采集和上传。
2.2 大模型接入
国产大模型接入分享如下:
【ESP32接入国产大模型之MiniMax】
【ESP32接入语言大模型之智谱清言】
【ESP32接入国产大模型之文心一言】
【ESP32接入语言大模型之通义千问】
下面是不标准测评,强烈推荐使用MiniMax大模型
MiniMax是一家中国科技公司,一直致力于进行大模型相关的研究。近期提出了MINIMAX大法师计划,获取更多的2000亿token,为全球 AI大模型领域创业公司以及优秀的个人开发者提供了丰富的资源。
模型 | 响应时间 | 内容质量 | 免费token次数 | 地址 |
---|---|---|---|---|
MiniMax | 3s | 8分 | 500万+2000亿token | https://www.minimaxi.com/ |
智谱清言 | 7s | 8分 | 300万 | https://open.bigmodel.cn/ |
文心一言 | 10s | 9分 | 500万 | https://cloud.baidu.com/doc/WENXINWORKSHOP/s/Nlks5zkzu |
通义千问 | 8s | 8分 | 800万 | https://tongyi.aliyun.com/qianwen/ |
结合以上图表对比,无能是回复文本的质量与速度方面,MiniMax是海螺的母公司,是MiniMax开展的大法师计划领先!!!😘😘😘
STT语音接入+大模型Chat接入整合教程见:【ESP32S3 Sense接入语音识别+MiniMax模型对话】
2.3 TTS模块接入
SNR9816TTS 是基于独家语音合成算法开发的一款高流畅度,高自然度的优美人声语音合成模块。该模块方案基于新一代的神经网络算法,纯中文版选取了优质的女声发音人(默认)和男声发音人(指令切换),中英文版只支持女声发音人,以满足各种应用场景的合成播报。
模块以中文为主,支持数字、英文(纯中文版:单个字母发音、中英文版:英文单词发音),文本编码支持GB2312。优异的合成效果(可懂度、清晰度、自然度、表现力、节奏/停顿、语速、语调、音质、音色、理解程度)方面有显著提升。
调试教程见:【Arduino使用SNR9816TTS模块教程】
3. 先决条件
这一次还是采用Arduino编程就会轻松许多开发。这样就可以通过stt+chat+tts把MiniMax语言大模型装进口袋啦🤣🤣🤣
在继续此项目之前,请确保检查以下先决条件。我们将使用 Arduino IDE 对 ESP32/ESP8266 开发板进行编程,因此在继续本教程之前,请确保已在 Arduino IDE 中安装这些开发板。此外,为了实现ESP32C3与SNR9816TTS模块的串口通信,请确保您已经安装了ESPSoftwareSerial和UTF8ToGB2312库。💕💕💕
3.1 环境配置
- Arduino IDE:下载并安装 Arduino IDE;
- ESP32 开发板库:在 Arduino IDE 中添加 ESP32 支持;
参考博客:【esp32c3配置arduino IDE教程】
为安装过程留出一些时间,具体时间可能因您的互联网连接而异。
3.2 所需零件
要学习本教程,您需要1个ESP32S3 Sense,建议使用后者,笔者发现同样的代码后者可以轻松调用,ESP32不行(可能板子坏了)。
名称 | 端口 | 功能 | 购买地址 |
---|---|---|---|
ESP32S3 Sense | TXGPIO01 RXGPIO02 | 主控 | 官方地址 |
中文版 SNR9816TTS | TXRX RXTX | TTS模块 | 淘宝地址 |
3.3 硬件连接步骤
-
电源连接:将SNR9816TTS模块的5V电源引脚连接到ESP32S3的5V输出端,模块的GND引脚连接到ESP32C3的GND。
-
串口通信:将SNR9816TTS模块的RX引脚连接到ESP32S3的GPIO01的TX引脚,模块的TX引脚连接到Arduino的GPIO02的RX引脚。这里使用软件串口(SoftwareSerial)库模拟额外的串行通信端口。
-
音响:喇叭(第 3、4 引脚)接到对应SPKN和SPKP引脚上,官方喇叭响度有点大,我拆了四六级听力耳机喇叭好多啦😘😘😘。
4. 核心代码
下面准备进行了基于ESP32S3 Sense 的硬件测试,此部分有源码分享和代码解析两部分
4.1 源码分享
Arduino代码如下
#include <Arduino.h>
#include "base64.h"
#include <WiFi.h>
#include "HTTPClient.h"
#include "cJSON.h"
#include <I2S.h>
#include <ArduinoJson.h>
#include <SoftwareSerial.h>
#include "UTF8ToGB2312.h"
#define MYPORT_TX 1
#define MYPORT_RX 2
EspSoftwareSerial::UART myPort;
uint8_t voicedata[] = { 0xFD, 0x00, 0x06, 0x01, 0x01, 0x5B, 0x76, 0x31, 0x5D }; //voicedata[7] = 0x31 ~ 0x39
// #define data_len 16000
// #define key 4 //端口0
// #define ADC 2 //端口39
// #define led 15 //端口2
HTTPClient http_client;
// 1. Replace with your network credentials
const char *ssid = "J09 502";
const char *password = "qwertyuiop111";
// 2. Check your Aduio port
const int buttonPin = 1; // the number of the pushbutton pin
const int ledPin = 21; // the number of the LED pin
hw_timer_t *timer = NULL;
const int adc_data_len = 8000 * 3;
const int data_json_len = adc_data_len * 3;
uint16_t *adc_data;
char *data_json;
// uint16_t adc_data[data_len]; //16000个数据,8K采样率,即2秒,录音时间为2秒,想要实现更长时间的语音识别,就要改这个数组大小
// char data_json[json_len]; //用于储存json格式的数据,大一点,JSON编码后数据字节数变成原来的4/3,所以得计算好,避免出现越界
//和下面data_json数组的大小,改大一些。
uint8_t adc_start_flag = 0; //开始标志
uint8_t adc_complete_flag = 0; //完成标志
// 3. Replace with your MiniMax API key
const char *apiKey = "eyJhbGciOiJSUzI1NiIsInR5cCI6IkpXVCJ9.eyJHcm91cE5hbWUiOiIyMzQ1dm9yIiwiVXNlck5hbWUiOiIyMzQ1dm9yIiwiQWN.WlEj8Nk0j_WOMXZE9SbIC8sHpwJ6R6Pi8Spl5mahJsW3-Jsz7Ev53sGGz3v__Bd5dDkt7o9-Y8BOW0WZq2ImaN7Rof7YNtYnYnvPNDyGx23_xRqq5co9P5UkC3ciYEcIch2SUZ5QPkXR-sMUPzhdowSYvfdu1N25kdKJ8GE_63NfCnsdDVt8mv0wQSSweJK0yf_C8a8ADdB1uF4vg_WKMDjHlvzERsoNZgX6FYtr-bee85rIyu4U-OrbUvEpR1FLPXa7lTlx65QvhVIYGbIKde7ERIT_7QLOQoVFvPz0gX-H6V7UlmSRgRy4LK_R9mvV5TqCy3v90WK_AFuwEhPXcg";
// 3. Replace with your baidu voice detect token
String token = "24.8f6143793af71.2592000.1713789066.282335-57722200";
HTTPClient http;
String token_key = String("Bearer ") + apiKey;
// Send request to MiniMax API
String inputText = "你好,minimax!";
String apiUrl = "https://api.minimax.chat/v1/text/chatcompletion_v2";
int httpResponseCode;
String response, question, answer;
DynamicJsonDocument jsonDoc(1024);
uint32_t num = 0;
portMUX_TYPE timerMux = portMUX_INITIALIZER_UNLOCKED;
void IRAM_ATTR onTimer() {
// Increment the counter and set the time of ISR
portENTER_CRITICAL_ISR(&timerMux);
if (adc_start_flag == 1) {
//Serial.println("");
// adc_data[num] = analogRead(ADC);
adc_data[num] = I2S.read();
num++;
if (num >= adc_data_len) {
adc_complete_flag = 1;
adc_start_flag = 0;
num = 0;
//Serial.println(Complete_flag);
}
}
portEXIT_CRITICAL_ISR(&timerMux);
}
String getGPTAnswer(String inputText) {
http.begin(apiUrl);
http.addHeader("Content-Type", "application/json");
http.addHeader("Authorization", token_key);
String payload = "{\"model\":\"abab5.5s-chat\",\"messages\":[{\"role\": \"system\",\"content\": \"你是鹏鹏的生活助手机器人,要求下面的回答严格控制在256字符以内。\"},{\"role\": \"user\",\"content\": \"" + inputText + "\"}]}";
httpResponseCode = http.POST(payload);
if (httpResponseCode == 200) {
response = http.getString();
http.end();
Serial.println(response);
// Parse JSON response
deserializeJson(jsonDoc, response);
String outputText = jsonDoc["choices"][0]["message"]["content"];
return outputText;
// Serial.println(outputText);
} else {
http.end();
Serial.printf("Error %i \n", httpResponseCode);
speech("语言大模型故障,请检查api是否失效");
return "<error>";
}
}
void speech(String data) {
//0--空闲 1--繁忙 2--异常
// while (workstate() > 0) {
// if (workstate() == 1) Serial.println("tts busy");
// if (workstate() == 2) Serial.println("tts wrong");
// }
String utf8_str = data;
String gb2312_str = GB.get(utf8_str);
unsigned char head[gb2312_str.length() + 6];
// 定义无符号字符类型数组,将 GB2312 编码的字符串复制到数组中
unsigned char gb2312_data[gb2312_str.length() + 1];
memset(gb2312_data, 0, sizeof(gb2312_data));
strncpy((char *)gb2312_data, gb2312_str.c_str(), gb2312_str.length());
// head byte
head[0] = 0xFD;
// length bytes
unsigned int dat_len = gb2312_str.length() + 3;
head[1] = dat_len >> 8;
head[2] = dat_len;
// cmd byte
head[3] = 0x01;
// para byte
head[4] = 0x01;
// send each character individually
for (int i = 0; i < gb2312_str.length(); i++) {
head[i + 5] = gb2312_data[i];
}
// 计算异或值并添加到数组,额这个是syn那个芯片的例程,这个异或计算有没有用我懒得改了。反正代码能跑。
head[gb2312_str.length() + 5] = head[0];
for (int i = 1; i < gb2312_str.length() + 5; i++) {
head[gb2312_str.length() + 5] ^= head[i];
}
// 发送字符数组到串口
for (int j = 0; j < gb2312_str.length() + 6; j++) {
myPort.write(head[j]);
}
delay(gb2312_str.length() * 100);
// Serial.println(data);
}
// 查询tts合成工作状态 返回1表示繁忙 0表示空闲
int workstate() {
unsigned char head[4] = { 0xFD, 0x00, 0x01, 0x21 };
// 发送字符数组到串口
for (int j = 0; j < 4; j++) {
myPort.write(head[j]);
}
// 等待myPort的返回
while (myPort.available() < 1) {
// 可以在这里加入一些延时,以防止过快地查询
delay(150);
}
// 读取并处理返回的数据
byte response = myPort.read();
// 返回相应的状态值
if (response == 0x4E) {
// 繁忙
return 1;
} else if (response == 0x4F) {
// 空闲
return 0;
} else {
// 未知状态,可以根据需要进行处理
return 2;
}
}
void setup() {
//Serial.begin(921600);
Serial.begin(115200);
adc_data = (uint16_t *)ps_malloc(adc_data_len * sizeof(uint16_t)); //ps_malloc 指使用片外PSRAM内存
if (!adc_data) {
Serial.println("Failed to allocate memory for adc_data");
}
data_json = (char *)ps_malloc(data_json_len * sizeof(char)); // 根据需要调整大小
if (!data_json) {
Serial.println("Failed to allocate memory for data_json");
}
myPort.begin(115200, SWSERIAL_8N1, MYPORT_RX, MYPORT_TX, false);
delay(1000);
if (!myPort) { // If the object did not initialize, then its configuration is invalid
Serial.println("Invalid EspSoftwareSerial pin configuration, check config");
while (1) { // Don't continue with invalid configuration
delay(1000);
}
}
speech("系统开机");
delay(1500);
for (int i = 0; i < sizeof(voicedata) / sizeof(voicedata[0]); i++) {
myPort.write(voicedata[i]);
}
delay(1000);
speech("系统音量以调小");
// pinMode(ADC, ANALOG);
// pinMode(buttonPin, INPUT_PULLUP);
pinMode(ledPin, OUTPUT);
// start I2S at 16 kHz with 16-bits per sample
I2S.setAllPins(-1, 42, 41, -1, -1);
if (!I2S.begin(PDM_MONO_MODE, 16000, 16)) {
Serial.println("Failed to initialize I2S!");
while (1)
; // do nothing
}
uint8_t count = 0;
WiFi.mode(WIFI_STA);
WiFi.begin(ssid, password);
while (WiFi.status() != WL_CONNECTED) {
Serial.print(".");
count++;
if (count >= 75) {
Serial.printf("\r\n-- wifi connect fail! --");
break;
}
vTaskDelay(200);
}
Serial.printf("\r\n-- wifi connect success! --\r\n");
Serial.println(WiFi.localIP());
http.setTimeout(4000);
http_client.setTimeout(4000);
// gain_token();
timer = timerBegin(0, 80, true); // 80M的时钟 80分频 1M
timerAlarmWrite(timer, 125, true); // 1M 计125个数进中断 8K
timerAttachInterrupt(timer, &onTimer, true);
timerAlarmEnable(timer);
timerStop(timer); //先暂停
}
uint32_t time1, time2;
void loop() {
if (Serial.available() > 0) //按键按下
{
if (Serial.read() == '1') {
Serial.printf("Start recognition\r\n");
digitalWrite(ledPin, HIGH);
adc_start_flag = 1;
timerStart(timer);
// time1=micros();
while (!adc_complete_flag) //等待采集完成
{
ets_delay_us(10);
}
// time2=micros()-time1;
timerStop(timer);
adc_complete_flag = 0; //清标志
digitalWrite(ledPin, LOW);
// memset(data_json, '\0', strlen(data_json)); //将数组清空
memset(data_json, '\0', data_json_len * sizeof(char));
strcat(data_json, "{");
strcat(data_json, "\"format\":\"pcm\",");
strcat(data_json, "\"rate\":16000,");
strcat(data_json, "\"dev_pid\":1537,");
strcat(data_json, "\"channel\":1,");
strcat(data_json, "\"cuid\":\"666666\",");
strcat(data_json, "\"token\":\"");
strcat(data_json, token.c_str());
strcat(data_json, "\",");
sprintf(data_json + strlen(data_json), "\"len\":%d,", adc_data_len * 2);
strcat(data_json, "\"speech\":\"");
strcat(data_json, base64::encode((uint8_t *)adc_data, adc_data_len * sizeof(uint16_t)).c_str());
strcat(data_json, "\"");
strcat(data_json, "}");
// Serial.println(data_json);
int httpCode;
http_client.begin("http://vop.baidu.com/server_api"); //https://vop.baidu.com/pro_api
http_client.addHeader("Content-Type", "application/json");
httpCode = http_client.POST(data_json);
if (httpCode == 200) {
if (httpCode == HTTP_CODE_OK) {
response = http_client.getString();
http_client.end();
Serial.print(response);
// Parse JSON response
// DynamicJsonDocument jsonDoc(512);
deserializeJson(jsonDoc, response);
String question = jsonDoc["result"][0];
// 访问"result"数组,并获取其第一个元
// 输出结果
Serial.println("Input:" + question);
answer = getGPTAnswer(question);
speech(answer);
Serial.println("Answer: " + answer);
// Serial.println("Enter a prompt:");
} else {
Serial.printf("[HTTP] GET... failed, error: %s\n", http_client.errorToString(httpCode).c_str());
speech("语音识别在线故障,请检查api是否失效");
}
}
// while (!digitalRead(buttonPin))
// ;
Serial.println("Recognition complete\r\n");
}
}
vTaskDelay(1);
}
4.2 代码解析
用于实现一个通过 I2S 接口采集音频信号并将其发送到百度语音识别 API 进行语音识别,然后将识别出的文本通过 MiniMax API 获取 AI 回答的功能。以下是代码的主要结构和功能说明:
-
引入必要的库文件,包括
① Arduino.h:包含Arduino核心库,提供了基本的Arduino函数和结构
② base64.h:引入一个用于Base64编码和解码的库
③ WiFi.h:用于连接WiFi网络的库
④ HTTPClient.h:用于Arduino上进行HTTP请求的库
⑤ cJSON.h:用于处理JSON数据的库
⑥ I2S.h:I2S(Inter-IC Sound)库,用于在Arduino上进行音频处理
⑦ ArduinoJson.h:ArduinoJson库,用于解析和生成JSON数据
⑧ SoftwareSerial.h:软串口库,用于模拟多个串口
⑨ UTF8ToGB2312.h:一个自定义的UTF-8到GB2312编码的转换库
然后,定义了一些必要的常量和变量。 -
定义了一些全局变量,如 Wi-Fi 的 SSID 和密码,以及与音频采集和处理相关的变量,如 ADC 数据缓冲区、录音标志位、完成标志位、JSON 格式数据缓冲区,还有 MiniMax API 的密钥(apiKey)。
修改Wi-Fi 的 SSID 和密码
// 1. Replace with your network credentials
const char* ssid = "J09 502";
const char* password = "qwertyuiop111";
修改MiniMax API 的密钥(apiKey)
// 3. Replace with your MiniMax API key
const char* apiKey = "eyJhbGciOiJSUzI1NiIsInR5cCI6IkpXVCJ9.eyJHcm91cE5hbWUiOiIyMzQ1dm9yIiwiVXNlck5hbWUiOiIyMzQ1d6Im1pbmltYXgifQ.WlEj8Nk0j_WOMXZE9SbIC8sHpwJ6R6Pi8Spl5mahJsW3-Jsz7Ev53sGGz3v__Bd5dDkt7o9-Y8BOW0WZq2ImaN7Rof7YNtYnYnvPNDyGx23_xRqq5co9P5UkC3ciYEcIch2SUZ5QPkXR-sMUPzhdowSYvfdu1N25kdKJ8GE_63NfCnsdDVt8mv0wQSSweJK0yf_C8a8ADdB1uF4vg_WKMDjHlvzERsoNZgX6FYtr-bee85rIyu4U-OrbUvEpR1FLPXa7lTlx65QvhVIYGbIKde7ERIT_7QLOQoVFvPz0gX-H6V7UlmSRgRy4LK_R9mvV5TqCy3v90WK_AFuwEhPXcg";
修改百度api
strcat(data_json, "\"token\":\"24.8f6143791.2592000.1713789066.282335-57722200\","); //token 这里需要修改成自己申请到的token
-
定义了一个 HTTPClient 实例 http_client,用于向 API 发送请求。
-
构建函数 getGPTAnswer() ,用于向一个预先定义的API发送HTTP POST请求,以获取对特定输入文本的GPT模型生成的响应。
-
构建函数 speech() ,用于将输入的文本数据转换为语音,并通过串口与语音合成模块进行通信,实现语音合成的功能。
-
构建函数 workstate(),用于查询语音合成模块的工作状态,并返回相应的状态值。
-
setup()函数,它在程序开始时被调用,用于初始化设置和准备工作。具体来说,该函数会初始化系统各个部分的设置,包括串口通信、内存分配、软件串口、语音提示、GPIO设置、I2S音频初始化、Wi-Fi连接和定时器初始化。
-
loop()函数,它在程序运行过程中会一直执行,用于处理主要的逻辑流程。具体来说,它主要负责监听串口输入,控制语音识别的启动、停止和结果处理,与百度语音识别API的交互,以及延时等待。
5. 上传验证
如果提示Compilation error: ArduinoJson.h: No such file or directory
直接在库管理安装Arduinojson
库
打开串口监视器,注意右下角选择换行符,选择115200波特率,输入你想问的问题,他就可以回答你
5.1 对话测试
代码优化后可以减少动态内存使用:3s语言输入,2s识别,5s交互播报
串口发送“1”,开始录音,然后返回对话结果,进行TTS语音播报😘😘😘
5.2 报错
- 如果返回error ,大家对照列表查询错误代码,结合提示排查解决
2. 如果第一次可以二次自动重启,可以配置下载程序运行在core0
- 百度在线语音识别错误码自查表
6. 总结
博主强烈推荐大家使用🎈🎈🎈海螺AI并且加入大法师计划,支持国产!它是一款由MiniMax自研的,没有调用其他产品的接口的大型语言模型。作为一个强有力的生产力工具,无论是大学生还是职场人,海螺AI都能成为你的得力助手。💕💕💕
- 对于大学生,它可以帮助你提升论文写作的效率,解放你的创作灵感;在求职面试中,它能够为你提供丰富的资料和实用的建议,让你轻松应对各种挑战。👍👍👍
- 而对于职场人来说,海螺AI更是一个不可或缺的生产力工具,能够帮助你高效处理工作任务,提升工作效率,节省宝贵的时间。👍👍👍
🥳🥳🥳现在,我们在本教程中,您学习了如何使用ESP32S3 Sense接入语音识别+MiniMax模型+TTS模块实现语音播报功能。🛹🛹🛹从而实现对外部世界进行感知,充分认识这个有机与无机的环境,后期会持续分享esp32跑freertos实用案列🥳🥳🥳科学地合理地进行创作和发挥效益,然后为人类社会发展贡献一点微薄之力。🤣🤣🤣
如果你有任何问题,可以通过下面的二维码加入鹏鹏小分队,期待与你思维的碰撞😘😘😘