1. 基本思路

基于whisper.cpp的examples/command，代码修改如下：

1. 第13行，增加python依赖：#include </miniconda3/include/python3.11/Python.h>
2. 第559行，修改唤醒词：std::string k_prompt = "自定义唤醒词";
3. 第607行，增加唤醒后的处理代码：std::system("python read.py 我在");
4. 第664行开始，自定义待机/关机/活跃状态的代码：

                        if (command=="待机"){
                            fprintf(stdout,"好的！");
                            std::system("python read.py 好的");
                            ask_prompt = true;
                            }
                        else if (command=="退出"){
                            fprintf(stdout,"下次再见！");
                            std::system("python read.py 下次再见");
                            is_running = false;
                            }
                        else{
                            char str3[strlen(command.c_str())+30];
                            sprintf(str3, "%s%s%s", "python chat.py \"", command.c_str(),"\"");
                            std::system(str3);
                        }

2. 语音部分

接下来是tts部分的python脚本，包括
read.py：读wav文件
write.py：写文本到wav文件
chat.py：生成聊天对话并read

## chat.py。 需要起一个本地的llm服务
import read
import requests, sys, edge_tts,os,asyncio
from pydub import AudioSegment,playback
url = 'http://localhost:8080/v1/chat/completions'
def send_message(message):
    headers = {"Content-Type": "application/json"}
    data = {
        "model": "MiniCPM",
        "messages": [
            {"role": "system", "content": "你是一个助理，名字叫小特，正在和用户对话。尽量简短回复，不超过50字。"},
            {"role": "user", "content": f"{message}"}
        ]
    }
    response = requests.post(url, headers=headers, json=data, verify=False)
    if response.status_code == 200:
        return response.json()["choices"][0]["message"]['content']
    else:
        return "我没有听清"
        
command = sys.argv[1]
if "播放" in command:
    os.system("pkill -9 ffplay")
    file = command.split("播放")[-1]
    if file+".mp3" in os.listdir("music/"):
        os.popen("ffplay -autoexit -i music/"+file+".mp3&")
    else:
        read("本地没有找到音乐"+file)
        playback.play(AudioSegment.from_mp3('temp.mp3'))
else:
    if len(command)>1:
        resp = send_message(command)
        print(resp)
        if resp != "我没有听清":
            os.system("pkill -9 ffplay")
            read(resp)
            playback.play(AudioSegment.from_mp3('temp.mp3'))

接下来是read.py和write.py，这里使用sherpa

## write.py
import soundfile as sf
import sherpa_onnx,sys
def write(text,output_filename,sid=10,provider='cpu'):
    tts_config = sherpa_onnx.OfflineTtsConfig(
        model=sherpa_onnx.OfflineTtsModelConfig(
            vits=sherpa_onnx.OfflineTtsVitsModelConfig(
                model='tts/vits-aishell3.onnx',
                lexicon='tts/lexicon.txt',
                tokens='tts/tokens.txt'
            ),
            provider=provider
        ),
        rule_fsts='tts/number.fst',
        max_num_sentences=2,
    )
    audio = sherpa_onnx.OfflineTts(tts_config).generate(text, sid=sid)
    sf.write(
        output_filename,
        audio.samples,
        samplerate=audio.sample_rate,
        subtype="PCM_16",
    )
    
write(sys.argv[1],sys.argv[1]+'.wav')

## read.py
import write,sys,os
from pydub import AudioSegment,playback
def read(text):
   if 'temp.wav' in os.listdir('.'):
    	os.system("rm temp.wav")
   write(sys.argv[1],'temp.wav')
   playback.play(AudioSegment.from_wav('temp.wav'))

使用write.py，提前将“下次再见，好的，我在”这三个词保存在本地。

3. 编译

记得编译时带上cuda：

WHISPER_CUDA=1 make -j command

然后执行：

./command -m ../models/ggml-medium.bin -l zh