手把手教你做一个天猫精灵（一）

如今，智能家居的话题越来越火，物联网已经融入了我们生活。最近闲在家里了解了一下这方面的背景知识，自己动手做了一个类似天猫精灵的物联网智能终端。于是打算出一个教程分享一下我的研究成果。

硬件准备

• 一台能连上网的电脑（系统最好是Windows 10）

背景知识

物联网智能终端

类似于天猫精灵这类产品我们都把它叫做智能终端（或者智能音箱）。它能通过用户之间的语音互动对智能家居进行命令控制，也能提供一些内置的软件服务，比如语音提醒和QQ音乐等。因此，我把它总结出以下几个功能模块。

目前，市面上除了天猫精灵，还有百度小度、小米小爱、Google Home和比亚迪小迪等。

语音处理术语

智能终端运用了大量的语音处理方面的人工智能算法，这些算法可软件实现也可以硬件实现，主要包括语音识别（Automated Speech Recognition，ASR）、语音合成（Text To Speech，TTS）和语音唤醒（Keyword Spotting，KWS）。

一般的流程是这样的，先通过语音唤醒捕捉用户的Keyword，当捕捉到了才给用户录音并作语音识别，然后根据用户的意图调用相应的API并通过语音合成给用户适当的反馈。据我观察至少有三种API调用方式，或者说是对外调用的接口，总结如下：

• MQTT消息：智能终端操作硬件一般采用IBM定义的MQTT协议，这种消息协议类似 Kafka，但是它更适应网络环境不稳定的场景，比如多了服务质量（QoS）和遗言机制（Last Will），这部分内容以后介绍。
• 蓝牙接口：还有一种是通过蓝牙Mesh直接和硬件相连，不需要联网就能直接操作硬件。
• HTTP接口：这种接口一般是提供软件服务的，比如QQ音乐、墨迹天气和喜马拉雅广播

快速开始

考虑到可能会接入很多应用功能，所以本项目是通过Python开发的。新建一个工程，并设置好环境，然后下载这个包：

pip install fubuki-iot

提醒：如果下载不了可以换源，也可以在GitHub上下载，仓库地址点这里 。同时也欢迎PR。

然后创建一个程序入口，我把它命名为 app.py， 然后调用 Terminal 的 run函数，如下：

from iot import Terminal

if __name__ == '__main__':
    Terminal.run()

当然现在这个程序是跑不起来的，因为没有相应的配置。新建一个目录叫 resources ，然后再创建一个配置文件 .env ，注意前面有一个点。接着，把刚刚新建的 resource 文件的路径写到这个配置文件中，如下：

RESOURCE_PATH=你的resources的路径

这时候，你的项目目录应该是这样的：

原则上就可以运行了，但是像上文所说需要语音处理相关的能力，所以我先暂时借用了百度智能云的AI能力。这个平台可以免费提供半年的人工智能服务，所以先去申请以下相关服务。

进入百度智能云的官网，依次点击“产品”-“人工智能”-“语音技术”，然后申请这个AI服务。之后就可以在控制台中找到自己的API Key和Secret Key，如图所示：

然后在刚才的 .env文件中追加这两条信息，并预留一个BAIDU_ACCESS_TOKEN字段，如下所示：

BAIDU_API_KEY=你的API Key
BAIDU_SECRET_KEY=你的Secret Key
BAIDU_ACCESS_TOKEN=

提醒：由于百度API是要生成access token使用的，这个token是有时效的，所以这里预留可以方便以后不用重复申请，但是过了时效还是要把这个字段置空，就像现在这个样子。

当然，百度API试用结束后还是会收费，如果你不想收费可以自己训练模型来替代它，这个以后会介绍。

现在就可以运行这个程序了。运行结果如图所示：

按下“F”键就可以唤醒终端，它会回应“我在，你说”。然后等它开始录音就可以说“你好”，它会回应“在的”。至此，一个极简的智能终端就做好了。

开启语音唤醒

虽然智能终端的样子已经有了，但是距离天猫精灵还差远了。现在，就让我们开启它的语音唤醒功能。

这个终端内置了一个PocketSphinx的语音唤醒功能。这个工具是C写的，因此要在Windows环境下需要对应的编译器，官方推荐的是Visual C++。

首先点这里下载Visual Studio Installer，然后安装，接着打开以后选择安装“单个组件”，然后勾选这三个组件“Windows 10 SDK”、“Windows 通用 CRT SDK”以及“MSVC v140 - VS 2015 C++ 生成工具（v14.00）”，下载完即可。这个环境变量无需配置。

注意：有可能碰到“无法打开包括文件: “windows.h”: No such file or directory”的问题，这个需要将<windows.h> 头文件放在指定目录，具体自行百度或者谷歌。

然后下载swigwin，这个软件是让python调用C/C++编译的软件的，点这里下载，下载完成后解压，并配置环境变量，然后重启生效。

最后，安装PocketSphinx。

pip install pocketsphinx

如果没有报错就说明成功了，有报错可能和C语言环境有关，这个需要具体问题具体分析了。

然后在 .env 文件中追加两行配置：

TERMINAL_MODE=0
DEVICE_REC=PocketsphinxRecorder

接着启动程序可以通过对他说“hello”或者“hi”唤醒它。

编写第一个程序

接下来，我们要开始向终端里面添加功能。类似天猫精灵的定时提醒功能，我们也做一个提醒功能。

首先创建一个包，命名为 mods，我们接下来写的模组都将放在这个包里。新建一个文件命名为timer.py，然后在文件里新建一个语义模型，这个模型继承了SemanticsModel，其目的是为了匹配用户的命令，如下所示：

@SemanticsGroup.add_model
class TimerSemanticsModel(SemanticsModel):
    code = 'timer'
    frm = SemanticsFromEnum.USER
    topic = ''
    regex = '(.*)后提醒我(.*)'
    regex_num = 3
    redirect = SemanticsRedirectEnum.ACOUSTICS
    func: SemanticsFunc = timer_semantics_func

字段说明如下：

• code：语义模型的标识，这里随便填，只用来区分。
• frm：语义来源，这里是用户
• topic：因为来自用户，所以这里不需要填
• regex：正则表达式，用来匹配用户的命令，如果匹配命中则使用这个语义模型，否则继续匹配下一个语义模型，如果都没有命中则发送兜底的语音回应用户
• regex_num：上面正则表达式的groups()个数，至少为1，表示全量，具体参考Python正则表达式相关文档，这个是用来抽取参数的
• redirect：重定向，这里不需要处理硬件，只是返回语音，所以是 ACOUSTICS
• func：用来处理这个命令的回调函数

重点就在这个回调函数，它是处理语义的关键。在当前环境下，它接受一个列表，即正则表达式匹配的groups，我们可以通过数组下标拿到想要的参数，并作后续处理。比如：

def timer_semantics_func(*args) -> FunctionDeviceModel:
    sentence = args[0] # 获取全文
    timespan: str = args[1] # 第一个参数，时间
    content = args[2] # 第二个参数，内容
    ...

此外它返回一个功能设备模型FunctionDeviceModel，它告知终端要如何处理，即如何返回给用户信息。其字段如下。

class FunctionDeviceModel(BaseModel):
    """
    功能设备模型，既是用户发送指令的封装，也是语义转换模块处理后的产物。
    """

    # 对应的semantics_model的code
    smt_code: Optional[str]

    # raw标志位，如果为True则data为str，否则为dict
    is_raw: bool

    # 执行成功后返回的语音提示，如果重定向到MESSAGE则作为语音提示，
    # 如果是重定向到ACOUSTICS则也可以表示返回内容
    acoustics: str

    # 数据，只有当is_raw为False才为字典，用于展示详细内容
    data: Union[str, Dict[str, str]]

因此，做一个提醒功能就是判断用户的语句是否正确，如果正确则返回正确的语音信息，否则告诉用户听不懂，具体如下：

def timer_semantics_func(*args) -> FunctionDeviceModel:
    ...
    if not is_ok:
        return FunctionDeviceModel(
            smt_code='timer',
            is_raw=True,
            acoustics="抱歉我没听清",
            data=""
        )
    else:
        scheduler.start()
        return FunctionDeviceModel(
            smt_code='timer',
            is_raw=True,
            acoustics=f"好的，我会在{timespan}后提醒你{content}",
            data=""
        )

有正确的处理和返回还不够，还需要在时间到了的时候给用户语音提醒，这实现也很简单，只要从Context中获取相应的API就可以了，具体如下：

path = Context.tts_processor.tts("您好，时间到了，请" + content)
Context.player.play(path)

实现定时的方案有很多种，我采用了APScheduler实现了这个功能，下面仅供参考：

def ch2i(ch: str):
    try:
        # 尝试直接转换
        return int(ch)
    except Exception:
        pass

    _dict = {
        "一": 1,
        "二": 2,
        "三": 3,
        "四": 4,
        "五": 5,
        "六": 6,
        "七": 7,
        "八": 8,
        "九": 9,
        "十": 10,
        "百": 100
    }
    if ch.startswith("十") or ch.startswith("百"):
        ch = "一" + ch
    _buf = list()
    _res = 0
    for i in range(len(ch)):
        if len(_buf) == 0:
            _buf.append(_dict[ch[i]])
        else:
            _res += _buf.pop() * _dict[ch[i]]
    return _res + (_buf[0] if len(_buf) else 0)


def timer_semantics_func(*args) -> FunctionDeviceModel:
    sentence = args[0] # 获取全文
    timespan: str = args[1] # 获取时间
    content = args[2] # 获取内容
    is_ok = True
    scheduler = BackgroundScheduler()

    def _job():
        path = Context.tts_processor.tts("您好，时间到了，请" + content)
        Context.player.play(path)
    try:
        if timespan.endswith("秒"):
            target = ch2i(timespan.split("秒")[0])
            scheduler.add_job(_job, 'date', run_date=datetime.datetime.now() + datetime.timedelta(seconds=target))
        elif timespan.endswith("分钟"):
            target = ch2i(timespan.split("分钟")[0])
            scheduler.add_job(_job, 'date', run_date=datetime.datetime.now() + datetime.timedelta(minutes=target))
        elif timespan.endswith("小时"):
            target = ch2i(timespan.split("小时")[0])
            scheduler.add_job(_job, 'date', run_date=datetime.datetime.now() + datetime.timedelta(hours=target))
        else:
            # 只处理到小时，更大的单位不处理了
            raise RuntimeError("Fail to match")
    except Exception as e:
        logger.error("Fail to translate " + e.__str__())
        is_ok = False
    if not is_ok:
        return FunctionDeviceModel(
            smt_code='timer',
            is_raw=True,
            acoustics="抱歉我没听清",
            data=""
        )
    else:
        scheduler.start()
        return FunctionDeviceModel(
            smt_code='timer',
            is_raw=True,
            acoustics=f"好的，我会在{timespan}后提醒你{content}",
            data=""
        )

@SemanticsGroup.add_model
class TimerSemanticsModel(SemanticsModel):
    code = 'timer'
    frm = SemanticsFromEnum.USER
    topic = ''
    regex = '(.*)后提醒我(.*)'
    regex_num = 3
    redirect = SemanticsRedirectEnum.ACOUSTICS
    func: SemanticsFunc = timer_semantics_func

最后，在程序入口处加载这个包：

from iot import Terminal
Terminal.load_models('mods.timer')

if __name__ == '__main__':
    Terminal.run()

现在，再启动程序，对它说“五分钟后提醒我打扫卫生”它就会回应，并在五分钟后通过语音播报提醒我们。

本章初步介绍了物联网领域的相关概念，然后跑通了一个简单的智能终端的程序。下一章我们会进一步完善这个程序，并把它做成硬件，离我们的目标更近一步！