百聆 (Bailing)：低延时的开源语音对话助手，轻松实现自然对话交流

综合介绍

百聆（Bailing）是一个开源的语音对话助手，旨在通过语音与用户进行自然的对话。该项目结合了语音识别（ASR）、语音活动检测（VAD）、大语言模型（LLM）和语音合成（TTS）技术，实现了类似GPT-4o的语音对话机器人。百聆的端到端时延低至800ms，适用于各种边缘设备和低资源环境。其高效开源模型和模块化设计使其无需GPU即可运行，提供高质量的语音对话体验。百聆还具备记忆功能、工具调用和任务管理等特色功能，能够记忆用户的偏好与历史对话，提供个性化的互动体验。

功能列表

• 语音输入：通过 FunASR 进行准确的语音识别。
• 语音活动检测：使用 silero-vad 过滤无效音频，提升识别效率。
• 智能对话生成：依靠 deepseek 提供的强大语言理解能力生成自然的文本回复。
• 语音输出：通过 edge-tts 将文本转为语音，为用户提供逼真的听觉反馈。
• 支持打断：灵活配置打断策略，能够识别关键字和语音打断，确保用户在对话中的即时反馈与控制。
• 支持记忆功能：具备持续学习能力，能够记忆用户的偏好与历史对话，提供个性化的互动体验。
• 支持工具调用：灵活集成外部工具，用户可通过语音直接请求信息或执行操作。
• 支持任务管理：高效管理用户任务，能够跟踪进度、设置提醒，并提供动态更新。

使用帮助

安装与运行

依赖环境

请确保你的开发环境中安装了以下工具和库：

• Python 3.8 或更高版本
• pip 包管理器
• FunASR、silero-vad、deepseek、edge-tts 所需的依赖库

安装步骤

1. 克隆项目仓库：

   git clone https://github.com/wwbin2017/bailing.git
cd bailing

2. 安装所需依赖：

   pip install -r requirements.txt

3. 配置环境变量： 打开 config/config.yaml 配置 ASR、LLM 等相关配置。 下载 SenseVoiceSmall 到目录 models/SenseVoiceSmall。 获取 deepseek 的 API key 并配置，当然也可以配置 openai、qwen、gemini、01yi 等其他模型。
4. 运行项目：

   cd server
python server.py  # 启动后端服务，也可不执行这一步
python main.py

使用说明

启动应用后，系统会等待语音输入。以下是详细的操作流程：

1. 通过 FunASR 将用户语音转为文本。
2. 使用 silero-vad 进行语音活动检测，确保只处理有效语音。
3. deepseek 处理文本输入，并生成智能回复。
4. edge-tts、ChatTTS、MacOS say 将生成的文本转换为语音，并播放给用户。

功能操作流程

• 语音输入：用户通过麦克风输入语音，系统自动进行语音识别。
• 语音活动检测：系统自动过滤无效音频，确保识别效率。
• 智能对话生成：系统根据用户输入生成自然的文本回复。
• 语音输出：系统将文本回复转换为语音，并播放给用户。
• 支持打断：用户可以通过语音打断当前对话，系统会即时响应。
• 记忆功能：系统会记忆用户的偏好与历史对话，提供个性化的互动体验。
• 工具调用：用户可以通过语音请求信息或执行操作，系统会灵活集成外部工具。
• 任务管理：用户可以设置任务提醒，系统会高效管理任务进度并提供动态更新。

示例操作

• 获取天气信息： 用户说：“杭州天气怎么样？” 系统会返回杭州的天气情况。
• 创建定时任务： 用户说：“每天早上8点提醒我喝水。” 系统会设置定时提醒。

通过以上详细的使用帮助，用户可以轻松上手使用百聆，享受高效的语音对话体验。