用NVIDIA Riva和Rasa创建基于语音的虚拟应用程序

虚拟助理已经成为我们日常生活的一部分。我们问虚拟助理几乎任何我们想知道的事情。除了为我们的日常生活提供便利之外，虚拟助手在企业应用程序方面也有巨大的帮助。例如，我们使用在线虚拟代理来帮助解决复杂的技术问题、提交保险索赔或预订酒店。我们还使用全自动呼叫来帮助扩展客户关系管理。所有这些应用程序都要求企业部署一个生产级、健壮、基于语音的虚拟助手，以扩展到数亿最终用户。

由于其自然性，语音界面已成为促进高质量人机界面的关键因素。然而，对于许多开发人员来说，基于语音的虚拟助理仍然是一个重大的技术挑战，尤其是在大规模部署时。

要成功部署基于语音的生产级虚拟助手，必须确保完全支持以下方面：

高质量– 质量与最终用户体验直接相关。确保语音界面能够理解各种语言、方言和行话，并以准确、可靠的方式进行。此外，一个典型的智能对话可以进行多次轮换，并且具有高度的上下文关联性。虚拟助理必须能够浏览对话的复杂动态，并能够识别正确的意图、领域或上下文，以推动对话取得成功。

高性能和可扩展性– 除了严格的质量要求外，虚拟助理还必须能够几乎实时地给出准确的答案。额外的 200 毫秒延迟可能会导致任何人感知到延迟并妨碍最终用户体验。当虚拟助手部署到数亿并发用户的规模时，作为性能权衡的一部分，延迟往往会增加。在很大程度上控制延迟是另一个工程挑战。

这篇文章的目的是让您了解两个生产级、企业级、虚拟助手解决方案： NVIDIA Riva 和 Rasa 的示例应用程序。我们展示了您可以轻松构建第一个基于语音的虚拟应用程序，这些应用程序可以部署和扩展。此外，我们还演示了 Riva 的性能，以展示其生产级功能。

虚拟助手系统包括以下组件：

对话管理（ DM ）

自动语音识别（ ASR ）

自然语言处理（ NLP ）或自然语言理解（ NLU ）

文本到语音（ TTS ）

NLU 和 DM 组件来自 Rasa ，而 Riva 提供 TTS 和 ASR 功能。

Rasa 概述

Rasa 是一个开源的机器学习框架，用于构建基于文本和语音的 AI 助手。在最基本的层面上，助理必须能够做两件事：

理解用户在说什么。

作出相应的反应。

Rasa 助理使用机器学习来完成这两项任务。 Rasa 允许您构建健壮的助手，从真实用户对话中学习，以大规模处理关键任务。

对于此虚拟助手，您可以使用 Rasa NLU 和 DM 功能。有关更多信息，请参阅 Rasa documentation 。

Riva 概述

Riva 是用于构建会话式 AI 应用的英伟达 AI 语音 SDK 。 Riva 提供 ASR 和 TTS 功能，您可以使用这些功能来向虚拟助手提供语音接口。 Riva SDK 在 NVIDIA GPU 上运行，在高吞吐量水平下提供最快的推断时间。

对于这个虚拟助手， ASR 解决方案必须具有低延迟和高精度，同时能够支持高吞吐量。 TTS 必须具有低延迟和支持自定义语音字体。 Riva 提供了这两种字体，非常适合构建基于语音的虚拟助手。有关 Riva 性能的更多信息，请参阅 NVIDIA Riva Speech Skills 。

架构概述

以下是四个组件如何交互以创建基于语音的虚拟助手。图 1 显示了虚拟助手的体系结构。

 

 

 

 

 

图 1 。 Riva 和具有 Rasa NLU 体系结构的 Rasa 虚拟助手。

在左侧，客户端应用程序是 weatherbot web 应用程序。用户通过语音直接与客户端应用程序交互，并通过扬声器接收答案。

用户所说的问题通过调用 Riva ASR 服务进行转录。这个转录的文本将被发送到 Rasa 包装器，该包装器反过来对 Rasa DM 和 Rasa NLU 进行 API 调用，以决定适当的下一个操作。根据选择的下一个操作， Rasa DM 还可以在需要时处理实现。 Rasa 服务器的文本响应通过 gRPC 调用发送到 Riva TTS 服务器， gRPC 调用将相应的音频返回给用户。

如您所见， Riva AI 服务和 Rasa 都部署在具有 GPU 的系统上，以获得更好的性能。

构建虚拟助手

在这篇文章中，我们将引导您完成为天气领域构建虚拟助手的过程。本文的重点不是用 Rasa NLU 和 DM 构建聊天机器人，而是展示 Rasa NLU 和 Rasa DM 与 Riva ASR 和 TTS 的集成，以构建基于语音的虚拟助手。

虚拟助手需要一个用户界面，因此您可以使用 Python 的 Flask 框架创建一个简单的网站。

有关此解决方案的更多信息以及代码，请参阅 Riva documentation 中的 Virtual Assistant （with Rasa） section 。

先决条件

要使虚拟助手正常工作，必须启动并运行 Riva 服务器。要使 Riva AI 服务启动、运行并可通过 gRPC 端点访问，请遵循 Riva Quick Start Guide 中的说明。

将 Riva ASR 集成到 Rasa assistant 中

在本节中，将 Riva ASR 与 Rasa 助手集成，如 ASR 。 py 文件中所示。

Riva ASR 可在流式或批处理模式下使用。在流模式下，捕获并识别连续的音频流，生成转录文本流。在批处理模式下，设置长度的音频剪辑被转录为文本。对于这个用例，在流模式下使用 Riva ASR 。

代码概述

import grpc
import riva.modules.client.src.riva_proto.audio_pb2 as ri
import riva.modules.client.src.riva_proto.riva_asr_pb2 as risr
import riva.modules.client.src.riva_proto.riva_asr_pb2_grpc as risr_srv

首先导入必要的 Riva 客户端依赖项：

class ASRPipe(object): def __init__(self): . . . . self.chunk = int(self.sampling_rate / 10) # 100ms self._buff = queue.Queue() self._transcript = queue.Queue() self.closed = False

创建 ASRPipe 类来处理 Riva ASR 操作。在 __init__ 方法中，分别为音频流和转录文本流创建 _buff 和 _transcript 队列。

 def start(self): . . . . self.channel = grpc.insecure_channel(riva_config["RIVA_SPEECH_API_URL"]) self.asr_client = risr_srv.RivaSpeechRecognitionStub(self.channel)

调用 start 函数以建立到 Riva 服务器的 gRPC 通道。

 def fill_buffer(self, in_data): """Continuously collect data from the audio stream, into the buffer.""" self._buff.put(in_data)

虚拟助手中的 ASR 是一个后台过程，因为您始终需要网站收听用户音频。通过调用 fill_buffer 函数，音频流中的音频将连续添加到音频缓冲区 _buff 。

 def main_asr(self): . . . . config = risr.RecognitionConfig( encoding=ri.AudioEncoding.LINEAR_PCM, sample_rate_hertz=self.sampling_rate, language_code=self.language_code, max_alternatives=1, enable_automatic_punctuation=self.enable_automatic_punctuation ) streaming_config = risr.StreamingRecognitionConfig( config=config, interim_results=self.stream_interim_results) if self.verbose: print("[Riva ASR] Starting Background ASR process") self.request_generator = self.build_request_generator() requests = (risr.StreamingRecognizeRequest(audio_content=content) for content in self.request_generator) def build_generator(cfg, gen): yield risr.StreamingRecognizeRequest(streaming_config=cfg) for x in gen: yield x yield cfg if self.verbose: print("[Riva ASR] StreamingRecognize Start") responses = self.asr_client.StreamingRecognize(build_generator( streaming_config, requests)) # Now, put the transcription responses to use. self.listen_print_loop(responses)

获得音频后，使用 main_asr 函数生成转录本。

在 main_asr 函数中，设置 Riva ASR 调用所需的配置参数，如语言、通道数、音频编码、采样率等。 main_asr 函数随后定义了 build_generator 函数：一个生成器，用于使用音频剪辑和 ASR 配置迭代调用 Riva ASR StreamingRecognizeRequest 函数。最后， main_asr 调用 Riva ASR StreamingRecognize 函数。该函数返回一个文本转录本流，其中包含指示中间和最终转录本的标志，然后返回给调用方。

　　将 Riva TTS 集成到 Rasa 助手中

　　在本节中，您将 Riva TTS 与 Rasa 助手集成，如 tts.py 和 tts_stream.py 文件中所示。

　　与 ASR 一样， TTS 也可以在流式或批处理模式下使用。使用 tts.py 中的批处理模式，可以将文本作为输入并生成音频剪辑。使用 tts_stream.py 中的流模式，可以将文本作为输入并生成音频流。

代码概述

import grpc
import riva.modules.client.src.riva_proto.audio_pb2 as ri
import riva.modules.client.src.riva_proto.riva_tts_pb2 as rtts
import riva.modules.client.src.riva_proto.riva_tts_pb2_grpc as rtts_srv
from riva.tts.tts_processing.main_pronunciation import RunPronunciation

首先导入必要的 Riva 客户端依赖项。

class TTSPipe(object): def __init__(self): . . . . self._buff = queue.Queue() self._flusher = bytes(np.zeros(dtype=np.int16, shape=(self.sample_rate, 1))) # Silence audio self.pronounce = RunPronunciation(pronounce_dict_path)

创建 TTSPipe 类来处理 Riva TTS 操作。在 __init__ 方法中，创建 _buff 队列以保存输入文本。

 def start(self): . . . . self.channel = grpc.insecure_channel( riva_config["Riva_SPEECH_API_URL"]) self.tts_client = rtts_srv.RivaSpeechSynthesisStub(self.channel)

调用 start 函数以建立到 Riva 服务器的 gRPC 通道。

 def fill_buffer(self, in_data): """To collect text responses and fill TTS buffer.""" if len(in_data): self._buff.put(in_data)

要转换为音频的文本通过调用 fill_buffer 方法添加到缓冲区 _buff 。

 def get_speech(self): . . . . while not self.closed: if not self._buff.empty(): # Enter if queue/buffer is not empty. try: text = self._buff.get(block=False, timeout=0) req = rtts.SynthesizeSpeechRequest() req.text = self.pronounce.get_text(text) req.language_code = self.language_code req.encoding = self.audio_encoding req.sample_rate_hz = self.sample_rate req.voice_name = self.voice_name duration = 0 self.current_tts_duration = 0 responses = self.tts_client.SynthesizeOnline(req) for resp in responses: datalen = len(resp.audio) // 4 data32 = np.ndarray(buffer=resp.audio, dtype=np.float32, shape=(datalen, 1)) data16 = np.int16(data32 * 23173.26) speech = bytes(data16.data) duration += len(data16)*2/(self.sample_rate*1*16/8) self.current_tts_duration += duration yield speech except Exception as e: print('[Riva TTS] ERROR:', e) . . . .

get_speech 方法用于执行 TTS 。

在 get_speech 方法中，设置 Riva TTS 调用所需的配置参数，如语言、音频编码、采样率和语音名称。然后 get_speech 方法调用 Riva TTS SynthesizeOnline 方法，将文本作为输入，并返回生成的音频流。循环此响应并以可配置的持续时间产生音频输出块，从而产生流式音频输出。

把它们放在一起

现在，您将使用 rasa.py 文件调用 NLU 和 DM 的 Rasa 服务器。

class RASAPipe(object): def __init__(self, user_conversation_index): . . . . self.user_conversation_index = user_conversation_index

创建 RASAPipe 类以处理对 NLU 和 DM 的 Rasa 服务器的所有调用。

 def request_rasa_for_question(self, message): rasa_requestdata = {"message": message, "sender": self.user_conversation_index} x = requests.post(self.messages_url, json = rasa_requestdata) rasa_response = x.json() processed_rasa_response = self.process_rasa_response(rasa_response) return processed_rasa_response

此类的主要函数是 request_rasa_for_question 方法，它将用户输入作为文本，使用此文本和公开的 Rasa API 上的发送方 ID 调用 Rasa ，从 Rasa 获取响应，然后将此响应返回给调用方。

接下来，创建推断管道，如 chatbot.py 文件所述。

class ChatBot(object): def __init__(self, user_conversation_index, verbose=False): self.id = user_conversation_index self.asr = ASRPipe() self.rasa = RASAPipe(user_conversation_index) self.tts = TTSPipe() self.thread_asr = None self.pause_asr_flag = False self.enableTTS = False

在 chatbot.py 中，有 ChatBot 类。每个会话有一个 ChatBot 实例，负责处理该会话的所有 ASR 、 TTS 和 Rasa 操作。创建 ChatBot 类的实例时，您将在其初始化期间创建 ASR 、 Rasa 和 TTS 类的实例。

 def server_asr(self): self.asr.main_asr() def start_asr(self, sio): self.thread_asr = sio.start_background_task(self.server_asr)

首先调用 start_asr 方法，该方法负责在单独的专用线程中作为后台进程启动 ASR 操作。

 def asr_fill_buffer(self, audio_in): if not self.pause_asr_flag: self.asr.fill_buffer(audio_in) def get_asr_transcript(self): return self.asr.get_transcript()

然后， asr_fill_buffer 函数调用 ASRPipe 实例 fill_buffer 函数，将来自用户的输入音频流添加到 ASR 缓冲区。当 Riva ASR 开始将转录文本流式传输回来时， get_asr_transcript 函数被调用，将转录文本返回给调用者。

 def rasa_tts_pipeline(self, text): response_text = self.rasa.request_rasa_for_question(text) if len(response_text) and self.enableTTS == True: self.tts_fill_buffer(response_text) return response_text

对于转录的文本，调用 rasa_tts_pipeline 方法，负责管道化 Rasa 和 Riva TTS 功能。该方法首先调用 R ASAP ipe 实例 request_rasa_for_question 方法。这会将用户输入文本发送到 Rasa ，其中 Rasa NLP 和 Rasa DM 确定适当的操作并以文本消息的形式返回回复。然后将此文本消息传递给 tts_fill_buffer 并返回给调用者。

 def tts_fill_buffer(self, response_text): if self.enableTTS: self.tts.fill_buffer(response_text) def get_tts_speech(self): return self.tts.get_speech()

前面调用的 tts_fill_buffer 依次调用 TTSPipe 实例 fill_buffer 方法，用输入文本填充 TTS 缓冲区。当 TTS 准备好音频流时，调用 get_tts_speech 方法，并将此音频流回到调用者。

如您所见，您已经将 Rasa 和 TTS 功能管道化为一个简单的方法 rasa_tts_pipeline 。

　　启动虚拟助手

　　在启动 virtual assistant 服务器之前，必须按照 Network Configuration 部分中的说明正确配置 API 端点。

　　要启动基于语音的虚拟助手，请按照 Running the Demo 部分中的说明操作。

　　在执行上述步骤的同时，初始化 Rasa 操作服务器和 Rasa 服务器的各个容器。这一过程漫长而繁琐。有关更简单方法的更多信息，请参阅 Rasa 的 Docker Compose Installation 。

　　提高准确性

　　您可以通过两个关键方法提高上述基于语音的虚拟助手的准确性。

　　Rasa 对话驱动开发和 Rasa X

　　对话驱动开发（ CDD ）是倾听用户意见并利用这些见解改进 AI 助手的过程。开发优秀的人工智能助手是一项挑战，因为用户会说出你无法预料的事情。然而，机会在于，在每次对话中，用户都会准确地告诉你他们想要什么。通过在对话 AI 开发的每个阶段练习 CDD ，您可以让您的助手从真实的用户语言和行为中学习。

　　Rasa X 是一种实践 CDD 的工具。以下是使用 Rasa X 的 CDD 中的每个步骤：

　　共有：尽早将原型交给用户进行测试。除了与外部通道连接外，您还可以通过从 Rasa X 向用户发送链接来与他们共享您的原型。这会让您的助手尽快掌握在测试用户手中，甚至在您将其连接到外部通道之前。

　　回顾：花时间通读人们与助手的对话。它在项目的每个阶段都很有用，从原型到生产。所有来自 Rasa X 内部和您连接的任何频道的对话都会显示在您的对话屏幕中。

　　注释：根据真实对话中的消息改进 NLU 模型。每当您收到新消息时，侧栏中的徽章表示您有新数据要处理。您可以将消息标记为正确，修复错误的响应，并添加反映真实用户对助手所说内容的数据。

　　测验：专业团队不会在未经测试的情况下发布应用程序。您可以将真实对话保存为 RASAX 中的测试，以便成功的对话可以立即成为测试。将 Rasa X 部署到服务器后，设置一个持续集成（ CI ）管道以自动化测试。 Rasa X 中的集成版本控制可以触发 CI 管道中的测试，该管道在您推送更改时自动运行。

　　轨道：识别成功和不成功的对话，以衡量助理的表现。要使此过程自动化，请使用 RASAXAPI 根据您的用例自动标记某些操作。例如，标记指示器，例如用户注册您的服务或请求路由到人工代理。

　　修理：按照每个步骤进行操作，您可以看到助手的表现如何，以及在哪里出错，这样您就可以修复这些错误，并随着时间的推移不断改进助手。

　　CDD 不是一个线性过程。你会发现自己在每一个动作之间来回跳跃。这是一个产品、设计和开发之间的协作过程，揭示了用户的需求。随着时间的推移，它可以确保您的助手适应用户的需求，而不是期望用户调整他们的行为，这样助手就不会崩溃。有关更多信息，请参阅 Rasa X Installation Guide 。

　　因维迪亚陶工具包

　　在许多情况下，您必须针对特定用例培训、调整和优化模型。定制模型的最重要的方法是提高准确性，它是在预训练的 Riva 模型中使用自定义数据和英伟达 TAO 工具包进行传输学习。

　　NVIDIA TAO Toolkit 是一个人工智能模型自适应框架，使您能够使用自定义数据微调预训练模型，而无需大型训练数据集或深入的人工智能专业知识。 TAO 工具包支持对话 AI 管道所需的各种模型，从语音识别和自然语言理解到文本到语音。

　　TAO 工具包最重要的区别在于，它借助预定义的 Python 脚本抽象出 AI / DL 框架的复杂性。用户在专用的预制 Docker 容器中执行所有操作。脚本以清晰的层次结构组织，遵循与支持的模型相关联的域和特定于域的任务。对于每个模型，工具箱组织用户应该遵循的操作顺序，从数据准备、培训和模型微调到导出进行推理。

　　结论

　　在本文中，您构建了一个基于语音的虚拟助手，并了解了如何将 Riva ASR 和 TTS 与 Rasa NLP 和 DM 集成。

　　关于作者

　　Nikhil Srihari 是 NVIDIA 的深入学习软件技术营销工程师。他在自然语言处理、计算机视觉和语音处理领域拥有广泛的深度学习和机器学习应用经验。 Nikhil 曾在富达投资公司和 Amazon 工作。他的教育背景包括布法罗大学的计算机科学硕士学位和印度苏拉斯卡尔卡纳塔克邦国家理工学院的学士学位。

　　Mady Mantha 是 Rasa 的高级技术传道者。马迪在乔治敦大学学习计算机科学、物理学和国际政治。她在智库、初创公司和企业中拥有多年构建 ML 驱动产品的经验。玛迪是个太空爱好者。

　　Alex Qi 是英伟达 AI 软件集团的产品经理。她的重点是对话 AI 框架（ Riva ）和多媒体流 AI / ML （ Maxine ）的 AI 软件和应用程序。在加入 NVIDIA 之前，她在领导技术和工程组织中各种角色的具有挑战性的技术项目方面拥有丰富的经验，如数据科学家、计算建模和设计工程。 Alex 拥有麻省理工学院的双学位硕士学位：麻省理工学院斯隆管理学院的 MBA 学位，以及工程机械工程学院的理学硕士学位，她在该学院主要研究机器人技术和人工智能。

　　审核编辑：郭婷