AI应用中基于语音驱动的RAG如何做？
来源：互联网
时间：2026-08-25 14:36:12
想象一下，你正在忙着手头的活儿，突然想起一个复杂的问题需要答案。如果这时候你只需要随口问一句，设备就能用语音给你一个精准的回复——这种体验是不是很酷？
这就是语音驱动的RAG（Audio RAG）系统的魅力。它把语音命令的便捷性和智能问答的能力结合在了一起。用户可以通过语音直接和知识库对话，整个过程利用了语音识别和自然语言处理的最新进展，把语音问题转成文本，再从庞大的知识库里找到最相关的信息。
Audio RAG 的工作原理
整个流程可以拆解成几个清晰的步骤：
- ：系统先用麦克风捕捉你的语音输入，你只需要说出问题就行。
录制音频
- ：录制好的音频会被送入语音识别引擎。这个引擎会分析语音的声学特征，将其转换成文本，同时保持问题的含义和上下文。
语音转文本
- ：拿到转录后的文本，系统利用先进的语言模型来理解问题的意图，然后搜索知识库，找到最相关的信息，给出简洁准确的答案。
执行问答
- ：最后，大语言模型生成的答案会被转成音频文件，方便你直接收听。
文本转语音
使用的技术栈
搭建这样一套系统，用到的技术栈相当扎实：
- ：一个由LPU™ AI推理技术驱动的快速AI推理平台，主打速度快、成本低、效率高。
GROQ
- ：Google Text-to-Speech的Python库，能对接Google翻译的文本转语音API，把文本转成MP3文件。
gTTS
- ：一个Python库，提供了简单易用的高级接口，方便对音频文件进行各种操作。
pydub
- ：大语言模型应用开发的框架，是构建复杂链路的基石。
LangChain
- ：Hugging Face平台上的预训练模型，用于生成文本的密集向量表示，可用于语义搜索、文本分类等任务。
HuggingFace嵌入模型
- ：开源的Python框架，用于快速构建和分享交互式数据应用。
Streamlit
- ：开源向量数据库，专门用于存储和检索向量嵌入，非常适合大语言模型和语义搜索场景。
ChromaDB
代码实现
接下来，我们一步步来看如何用代码实现这个系统。
安装所需依赖
!pip install langchain langchain_community langchain_groq chromadb sentence_transformers
!pip install -U langchain-huggingface
!pip install -U langchain-chroma
!pip install python-dotenv
创建 .env 文件并设置Groq API密钥：
GROQ_API_KEY=<你的API密钥>
设置Groq API密钥：
import os
from dotenv import load_dotenv
# 从 .env 文件加载环境变量
load_dotenv()
设置LLM：
llm = ChatGroq(model_name="llama3-70b-8192",
temperature=0.1,
max_tokens=1000,
)
设置嵌入模型：
from langchain_huggingface import HuggingFaceEmbeddings
model_name = "BAAI/bge-small-en-v1.5"
model_kwargs = {"device": "cpu"}
encode_kwargs = {"normalize_embeddings": False}
embeddings = HuggingFaceEmbeddings(
model_name=model_name,
model_kwargs=model_kwargs,
encode_kwargs=encode_kwargs
)
设置文本分割辅助函数：
# 文本分割器
def text_splitter():
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=512,
chunk_overlap=20,
length_function=len,
)
return text_splitter
设置RetrievalQA辅助函数：
# RetrievalQA
def answer_question(question):
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})
qa = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=retriever,
return_source_documents=True
)
result = qa.invoke({"query": question})
return result['result']
使用Groq distil-whisper-large-v3-en转录音频的辅助函数。这个模型是OpenAI Whisper的压缩版本，专为英语语音识别设计，速度更快、成本更低，同时保持了相当的准确性。
import os
from groq import Groq
# 初始化 Groq 客户端
client = Groq()
# 指定音频文件的路径
filename = "/content/recorded_audio.wa v"
def transcribe_audio(filename):
# 打开音频文件
with open(filename, "rb") as file:
# 创建音频文件的转录
transcription = client.audio.transcriptions.create(
file=(filename, file.read()), # 必需的音频文件
model="distil-whisper-large-v3-en", # 必需的用于转录的模型
prompt="Specify context or spelling", # 可选的上下文或拼写提示
response_format="json", # 可选的响应格式
language="en", # 可选的语言
temperature=0.0 # 可选的温度参数
)
# 打印转录文本
print(transcription.text)
return transcription.text
将文本转换为语音的辅助函数：
from gtts import gTTS
def text_to_audio(text):
# 将文本转换为语音
tts = gTTS(text=text, lang='en', slow=False)
# 将音频保存为MP3文件
mp3_file = "temp_audio.mp3"
tts.sa ve(mp3_file)
return mp3_file
为Streamlit应用程序准备的完整代码实现。编写一个名为 audio_rag.py 的Python脚本：
import streamlit as st
from time import sleep
#from st_audiorec import st_audiorec
from streamlit_mic_recorder import mic_recorder
from streamlit_chat import message
import os
from groq import Groq
from langchain_groq import ChatGroq
from langchain_community.embeddings import HuggingFaceBgeEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.document_loaders import PyPDFLoader
from langchain_chroma import Chroma
from langchain.chains import RetrievalQA
from chromadb.config import Settings
import chromadb
from gtts import gTTS
from pydub import AudioSegment
import os
from dotenv import load_dotenv
# 从 .env 文件加载环境变量
load_dotenv()
# 设置 Chroma 配置
chroma_setting = Settings(anonymized_telemetry=False)
# 获取最新的文件路径
def newest(path):
files = os.listdir(path)
paths = [os.path.join(path, basename) for basename in files]
newest_file_path = max(paths, key=os.path.getctime)
return os.path.basename(newest_file_path)
# 文本转换为音频的辅助函数
def text_to_audio(text):
tts = gTTS(text=text, lang='en', slow=False)
mp3_file = "temp_audio.mp3"
tts.sa ve(mp3_file)
return mp3_file
# 保存上传的文件
def sa ve_uploaded_file(uploaded_file, directory):
try:
with open(os.path.join(directory, uploaded_file.name), "wb") as f:
f.write(uploaded_file.getbuffer())
return st.success(f"已保存文件：{uploaded_file.name} 到 {directory}")
except Exception as e:
return st.error(f"保存文件出错：{e}")
# 创建用于保存上传文件的目录
upload_dir = "uploaded_files"
os.makedirs(upload_dir, exist_ok=True)
# 设置 LLM
llm = ChatGroq(
model_name="llama3-70b-8192",
temperature=0.1,
max_tokens=1000,
)
# 设置嵌入模型
model_name = "BAAI/bge-small-en-v1.5"
model_kwargs = {"device": "cpu"}
encode_kwargs = {"normalize_embeddings": False}
embeddings = HuggingFaceBgeEmbeddings(
model_name=model_name,
model_kwargs=model_kwargs,
encode_kwargs=encode_kwargs
)
# 设置文本分割器
def text_splitter():
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=512,
chunk_overlap=20,
length_function=len,
)
return text_splitter
# 设置 RetrievalQA
def answer_question(question, vectorstore):
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})
qa = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=retriever,
return_source_documents=True
)
result = qa.invoke({"query": question})
return result['result']
# 初始化 Groq 客户端
groq_client = Groq()
# 指定音频文件的路径
filename = "recorded_audio.wa v"
# 转录音频的辅助函数
def transcribe_audio(filename):
with open(filename, "rb") as file:
transcription = groq_client.audio.transcriptions.create(
file=(filename, file.read()),
model="distil-whisper-large-v3-en",
prompt="指定上下文或拼写",
response_format="json",
language="en",
temperature=0.0
)
print(transcription.text)
return transcription.text
# 初始化 session state 变量
if 'stop' not in st.session_state:
st.session_state.stop = False
# 设置页面配置
st.set_page_config(
page_title="音频和书籍应用程序",
page_icon="?",
layout="wide"
)
# 创建两列布局
col1, col2 = st.columns([1, 2])
# 在左列显示内容
with col1:
st.markdown(
"""
? 启用音频的 ? 知识应用程序
您的音频问答系统一站式解决方案！
""",
unsafe_allow_html=True
)
st.write("欢迎使用启用音频的 RAG 应用程序！")
st.image("audio.jpeg", caption="音频驱动的 RAG", output_format="auto")
if st.button("停止进程"):
st.session_state.stop = True
if st.session_state.stop:
st.write("进程已停止。您可以刷新页面重新开始。")
# 在右列显示 PDF 上传和阅读器
with col2:
st.title("PDF 上传和阅读器")
uploaded_file = st.file_uploader("选择一个 PDF 文件", type="pdf")
persist_directory_path = "chromanew"
if uploaded_file is not None:
sa ve_uploaded_file(uploaded_file, upload_dir)
file_name = uploaded_file.name
loader = PyPDFLoader(f"uploaded_files/{file_name}")
pages = loader.load_and_split(text_splitter())
persist_directory = persist_directory_path + "_" + file_name.split(".")[0]
if os.path.exists(persist_directory):
client = chromadb.PersistentClient(path=persist_directory, settings=chroma_setting)
vectorstore = Chroma(
embedding_function=embeddings,
client=client,
persist_directory=persist_directory,
collection_name=file_name.split(".")[0],
client_settings=chroma_setting,
)
print(f"向量存储中加载的文档数量：{len(vectorstore.get()['documents'])}")
else:
client = chromadb.PersistentClient(path=persist_directory, settings=chroma_setting)
vectorstore = Chroma(
embedding_function=embeddings,
client=client,
persist_directory=persist_directory,
collection_name=file_name.split(".")[0],
client_settings=chroma_setting
)
MAX_BATCH_SIZE = 100
for i in range(0, len(pages), MAX_BATCH_SIZE):
i_end = min(len(pages), i + MAX_BATCH_SIZE)
batch = pages[i:i_end]
vectorstore.add_documents(batch)
print(f"向量存储中加载的文档数量：{len(vectorstore.get()['documents'])}")
# 创建一个按钮来启动进程
if 'start_process' not in st.session_state:
st.session_state.start_process = False
if st.button("启动进程"):
st.session_state.start_process = True
if st.session_state.start_process:
options = os.listdir("uploaded_files")
none_list = ["none"]
options += none_list
selected_option = st.selectbox("选择一个选项：", options)
file_name = newest("uploaded_files") if selected_option == "none" else selected_option
st.write(f"您选择了：{selected_option}")
st.title("音频录制 - 根据所选选项提问")
with st.spinner("正在进行音频录制..."):
audio = mic_recorder(
start_prompt="开始录制",
stop_prompt="停止录制",
just_once=False,
key='recorder'
)
if audio:
st.audio(audio['bytes'], format='audio/wa v')
with open("recorded_audio.wa v", "wb") as f:
f.write(audio['bytes'])
st.success("音频录制完成！")
with st.spinner("正在进行音频转录..."):
text = transcribe_audio(filename)
transcription = text
st.markdown(text)
if "chat_history" not in st.session_state:
st.session_state.chat_history = []
for i, chat in enumerate(st.session_state.chat_history):
message(chat["question"], is_user=True, key=f"question_{i}")
message(chat["response"], is_user=False, key=f"response_{i}")
if transcription:
with st.spinner("正在生成回应..."):
persist_directory = persist_directory_path + "_" + file_name.split(".")[0]
client = chromadb.PersistentClient(path=persist_directory, settings=chroma_setting)
vectorstore = Chroma(
embedding_function=embeddings,
client=client,
persist_directory=persist_directory,
collection_name=file_name.split(".")[0],
client_settings=chroma_setting
)
response = answer_question(transcription, vectorstore)
st.success("回应已生成")
aud_file = text_to_audio(response)
st.session_state.chat_history.append({"question": transcription, "response": response})
message(transcription, is_user=True)
message(response, is_user=False)
st.title("音频播放")
st.audio(aud_file, format='audio/wa v', start_time=0)
运行Streamlit应用程序：
streamlit run audio_rag.py
应用程序操作步骤
- 浏览并上传PDF文件。
- 向量存储加载完成后，点击“启动进程”按钮。
- 开始录制你的问题。问题录制完成后，RAG流程会自动触发。屏幕上会显示答案以及对应的音频。
- 如果想在已上传的文档上进行问答，可以在知识来源选择框中选择相应选项。
- 上传另一个文档。如果你只想在当前文档中问答，选择“无”选项。
- 按下停止按钮以停止进程。
- 刷新屏幕以重新开始。
结论
这篇文章详细探讨了如何使用Python构建一个音频驱动的问答系统（Audio RAG）。从录制音频、语音转文本，到利用RAG模型进行问答，这里罗列了关键步骤。通过整合这些技术，我们可以打造一个强大的系统，让用户直接用语音命令与知识库互动，彻底解放双手。
-
- 关于宇宙的好的网名有哪些
- 角色扮演 | 1
- 网名