基于AliOS Things玩转智能语音

0

随着AI技术的进步，智能语音开始将人机交互从手+眼睛的传统模式中解放出来。带给人们更便捷、更风趣、更有人情味的体验，让***作对象变得不再只是一个死板的工具，而更像是一个有生命的助理。“帮我打开空调”，“明天上班需要带伞吗”，“帮我冲100块钱话费”…在万物互联的时代，你的所有需求只需要一句话便能实现。AliOS Things 集成的Link Voice SDK即可实现智能语音交互。

原文：http://click.aliyun.com/m/43694/

关于阿里智能语音服务

阿里智能语音服务为设备提供语音交互能力、丰富的音乐内容、智能家居控制等，并可进行专有设备技能定制（如：语音操控跑步机、按摩椅等设备）。包括：

• 通用服务：搜歌、搜栏目、搜电台、问天气、百科、四则运算等；
• 阿里服务：控制智能家居、充值手机费、天猫超市购物、查询电费等 （需接入账号体系，可参考SDS接入）；
• 私有服务：操控设备、售后电话查询等 （需要技能定制，签约时请提供产品需求）。
  

功能集成

设备接入阿里语音服务，需要集成Alink SDK和Link-Voice SDK，其中Alink SDK为设备提供接入阿里IoT平台的连接、账号体系、配网、OTA等能力，而Link-Voice SDK为设备提供阿里智能语音服务。设备首先要集成了Alink SDK成为SDS平台的一个设备，才能通过集成Link-Voice SDK使用阿里智能语音服务。Link-Voice SDK除了依赖Alink为设备完成平台接入设备管理外，还需要表格所列模块完成相应工作。其中websockets用来进行语音数据的交互；opus完成语音录制的PCM格式到opus格式的转换（服务端只接收opus格式）；cjson用来做json解析；mbedtls为alink和websockets的底层连接进行加密，为其数据传输提供安全保障。

而目前AliOS Things已完成以上表格所有模块的移植适配工作并将其集成进来，所以我们直接使用AliOS Things便可完成愉快的智能语音开发。主mcu性能建议：

• Flash>=512KB
• RAM>=200KB
• CPU>=180Mhz
  

单次语音识别流程图

简化缓冲处理等细节：

开发平台准备

按理满足功能集成章节性能要求，并带音频录制及播放功能的开发板即可。前提是需要完成AliOS tings的移植适配工作。本文以全志xr871evb（已完成OS适配）为例进行介绍。本平台资源：

• cpu:200Mhz cortext-M4f
• RAM：448KB（部分硬件相关code需要加载到ram中运行，实际可用约280KB）
• FLASH：2MB SPI FLASH
  

环境搭建及代码编译

先搭建AliOS开发环境（以linux为例）：AliOS-Things-Linux-Environment-Setup

然后从github阿里官方开源库下载最新版本的AliOS Things源码（https://github.com/alibaba/AliOS-Things）：

以linux下开发为例：

切换到主分支：

建议再在主分支上新建一个自己的开发分支：

到目前为止环境也安装好了，代码也准备完毕，只待编译及烧录测试。编译link-voice测试例程：

代码烧入：

修改串口配置：

将串口改成你板子的串口号，可ls /dev/tty*查看，保存退出。

代码烧写，先将全志开发板启动选择拨码开关拨至NO位置，如同所示：

然后执行

打开minicom或其他串口工具监视设备输入信息，波特率115200。

功能演示：

初次上电后先进行配网：

其中ssid和psswd分别替换为你无线网络名及密码。

由于没有加本地关键词识别功能，所以现在没次对话需要按键触发。

根据终端提示，待网络连接后，出现以下提示时：

按按键2（AK2）触发语音识别功能。

此时对着开发板说话，语音数据被编码、上传到云端、识别成功后返回相应信息，识别失败亦有相应提示。

示例：

1:明天上班需要带伞吗？

2.给我讲个鬼故事。

3.推荐一部悬疑电影。

4.把空调打开。

以下为一个小的演示视频：

http://v.youku.com/v_show/id_XMzQ1NjQ4MjIyOA==.html?spm=a2h3j.8428770.3416059.1

API介绍

1）初始化

int pal_init(const struct pal_config *config);

• 说明： SDK初始化，只需调用一次。
• 入参：config结构体向SDK传递必须的参数
• 返回：0成功；-1失败
  

2）销毁

void pal_destroy();

• 说明：SDK销毁，释放资源。
• 入参：无
• 返回：无
  

3）获取SDK版本

int pal_version();

• 说明：返回SDK的版本号
• 入参：无
• 返回：SDK版本号
  

4）设置日志级别

void pal_set_log_level(int level);

• 说明：设置SDK的日志级别。调试阶段可设置为PAL_LOG_LEVEL_DEBUG方便调试问题，调试稳定之后上线前把日志级别设置为PAL_LOG_LEVEL_ERROR。
• 入参：level为SDK的日志级别
• 返回：无
  

5）设置环境

void pal_set_env(int env);

• 说明：设置SDK的环境，默认是PAL_ENV_RELEASE，在厂商外部环境下可以连接阿里线上环境。厂商无需使用这个接口。
• 入参：env为SDK的环境
• 返回： 无
  

6）厂商播放器向SDK上报消息

int pal_notify_msg(const char *msg);

• 说明：厂商的播放器的状态或者按键事件需要按照Link_Voice_SDK_播控协议_v1.0.0.xlsx定义的json格式上报给SDK与上层应用同步状态。
• 入参：msg为厂商播放器需要向SDK传递的事件消息
• 返回：0成功；-1失败
  

7）厂商播放器通过SDK透传ALink消息

int pal_post_alink_msg(const char *msg);

• 说明：SDK初始化过程会把ALink进行初始化，与阿里平台保持物联长连接，厂商设备需要上报给ALink的消息可通过该接口上报，SDK对该消息进行透传上报给ALink服务端。
• 入参：msg为厂商需要通过SDK透传给ALink进行上报的消息，格式按照ALink定义的消息格式
• 返回：0成功；-1失败
  

8）开始一次语音识别

int pal_asr_start();

• 说明：设备通过按键或者远场唤醒触发语音识别时调用。
• 入参：无
• 返回：0成功；-1失败；
  

9）发送语音数据

int pal_asr_send_buffer(const char *buffer, int buffer_len);

• 说明：该接口要在调用pal_asr_start成功了之后调用，发送语音数据。如果是PCM格式的数据，则要求每次640字节。如果返回PAL_VAD_STATUS_STOP则为云端检测到语音结束了，厂商这时候可以调用pal_asr_stop或pal_asr_stop_async来获本次识别结果。
• 入参：buffer语音数据，buffer_len语音数据长度，字节
• 返回：返回云端检测到的VAD状态
  

10）结束本次语音识别（同步接口）

struct pal_rec_result* pal_asr_stop();

• 说明：pal_rec_result结构体返回本次语音识别的结果，同步的接口。结构体里的字段status表示本次语音识别的状态；should_restore_player_status表示厂商播放器处理完本次语音识别事件之后是否恢复之前的状态，0是不恢复，1是恢复；asr_result表示ASR识别的文本；task_status表示语音识别任务状态，PAL_REC_TASK_STATUS_END表示单次语音识别会话结束，PAL_REC_TASK_STATUS_WAITING表示多轮对话，应当播完TTS之后自动进入拾音状态，开始一次新的语音识别。
• 入参：无
• 返回：语音识别结果的结构体
  

11）结束本次语音识别（异步接口）

void pal_asr_stop_async(pal_asr_callback callback, void *user);

• 说明：异步返回的接口，功能与pal_asr_stop一样。
• 入参：callback注册的回调函数，用于返回语音识别结果；user用户自定义指针，在callback中会回传给用户
• 返回：无
  

12）取消本次语音识别

void pal_asr_cancel();

• 说明：取消本次的语音识别。
• 入参：无
• 返回：无
  

13）销毁语音识别结果

void pal_rec_result_destroy(struct pal_rec_result *result);

• 说明：pal_asr_stop和pal_asr_stop_async返回的语音识别结果，需要通过该接口来释放资源。
• 入参：result需要销毁的结果
• 返回：无
  

14）文本转语音（同步接口）

struct pal_rec_result* pal_get_tts(const char *text);

• 说明：提供文本转语音的功能。返回的结果pal_rec_result需要通过pal_rec_result_destroy销毁。
• 入参：text需要转换的文本
• 返回：返回的结构体，文本转语音的结果在tts字段中，是一个可播放的url。
  

0