机器之心编辑部
在大型措辞模型的加持下，智能音箱领域的「拐点」即将到来？
在智能音箱风靡的那些年，很多人都希望能与音箱来一场深度对话。可惜事与愿违，智能音箱的对话能力显然达不到人类的哀求。如今，智能音箱的市场红利期已经由去，昔日光环消退，逐渐不再为人提起。
一位名为「GPTHunt」的 Up 主也是一样，自述是智能语音音箱的「轻度爱好者」。只是失落望的次数太多了，也就不再抱有希望。
比如，他买过亚马逊的 Alexa 音箱，但创造自己英语水平不太够，此外音箱产品设计也不足 local，试用了一阵就弃坑了。
他也买过网易三音音箱，听音乐、设闹钟都挺好的，但「须要用到脑筋的问题就不能指望了」。而且这款音箱还会有一些「抽风」时候，比如在自己打电话的时候溘然接话，或是在看电影的时候溘然出声……
苹果家的 Siri 同理，你可以命令它设置闹钟，咨询它韶光和蔼象，但完备不能评论辩论有些深度的问题。
这些烦恼，都可以归结于 AI 的对话能力不足用。但近段韶光面世的大型措辞模型 ChatGPT，却给了这位 UP 主新的希望。
某天，他溘然想到，何不用 ChatGPT 改造一下音箱，低廉甜头一款智能且强大的语音助理呢？
视频地址：https://www.bilibili.com/video/BV11M411F7Ww/
低廉甜头过程
作者设计的架构草图如下，从语音输入到音箱回答，大致分为四个步骤：唤醒、语音识别、ChatGPT、语音合成。
硬件方面，自然是极客的不二之选：树莓派。
作者翻出尘封了几年的树莓派 3 Model B，创造它并未自带麦克风。只能在某宝光速下单，一边等快递，一边先用电脑调试。
接下来便是系统搭建事情了。首先要实现的，便是唤醒词检测。
唤醒词是一个分外的词或短语，用于在说出它时激活设备，不说时让设备就寝，也被称为「热词」和「触发词」
这里隐含一条规则，便是在唤醒前绝不许可偷听。然而实际上我们无法确认音箱到底有没有在偷听，以是只有自己利用开源代码去实现，才能确认音箱在唤醒之前不会偷听。
想必大家都听过一些常见的唤醒词，比如「Hey Siri」、「小爱同学」、「小度小度」。自定义唤醒词同样要遵守相应规则：一是避免利用过短的单词，以免产生误报；二是出于用户体验的考虑，唤醒词还要尽可能短；三是只管即便选择不同发音的单词，组合特色更明显不易误报。
作者在这里利用的检测框架是 Porcupine，该框架对非商业运用免费开放，且支持多个词，唯一的遗憾是暂不支持中文。
终极，作者选择的唤醒词是「Hello Chat」。经由在线录音和演习后，得到了下载即用的模型。作者编写了一个脚本来运行唤醒词检测，检测之后会回应一声「咦」。
唤醒之后，作者用基于 Python 的语音处理库「PyAudio」来录制声音，如果斯时你不想研讨项目文档，可以直接让 ChatGPT 给出示例代码，再做些微调即可。
第二步便是语音识别了，作者选择了微软 Azure 的在线 ASR，识别比较准确，速率也很快。这项功能会供应静音检测，当然也可以利用 Porcupine 供应的 cobra 静音检测功能，来判断语音输入何时结束。
第三步便是将 Azure 的识别结果发送给 ChatGPT，收到回答后再进行语音合成（TTS），通过音箱播放出来。
经由一番调试之后，网购的麦克风也到货了，将整套系统移植到树莓派，大功告成。
效果展示
常日，你会问智能音箱什么问题？
首先，作者讯问了一个哲学问题：「用 10 个字回答人生的意义」。音箱用 5 个词语完美回答了这个问题：「探索、发展、分享、欣赏、戴德」，字数也刚好是十个字。
然后，作者又问了一个和科技行业有关的问题：「马斯克和乔布斯谁更厉害」。智能音箱的回答首先解释「这个问题没有确切答案，两个人都在不同的领域取得了巨大造诣」，然后分别先容马斯克和乔布斯两个人的造诣。
当然，除了提问，你也可以和这款智能音箱打呼唤，它就像是你身边的一个小助手：
此外，自己构建智能音箱还有一个好处是可以查看音箱事情时实行的代码，剖析程序占用的资源。
最主要的是，作者可以测试音箱的相应速率，并做出改进。初版智能音箱听到问题后须要 10-20 秒才能作出回答，改进之后的第二版则只须要 4-6 秒，这个韶光紧张是 ChatGPT 的网络 + 打算韶光开销。此外，作者还表示这款智能音箱的功能可以无缝迁移到其他平台。
末了，作者还挖了个坑：ChatGPT 在连续、关联性对话上的能力，又会如何提升音箱的智能水平？