从零开始，搭建 AI 音箱 Alexa 语音服务

本文来自作者 Mike 在 GitChat 上分享 「从零开始，搭建 AI 音箱 Alexa 语音服务」，「阅读原文」查看交流实录。

「文末高能」

编辑 | 哈比

一、概述

生活场景的引入： 物联网的快速发展，各种智能设备层出不穷，作为极客，家里早已安上了用 APP 控制的智能灯、智能插座，刚刚安装上的时候，还有新鲜感，久了之后，是不是会有这样的现象：

早上醒来要开灯，需要经过：

1. 迷迷糊糊从床头柜上摸到手机

2. 手机用指纹解锁

3. 连接无线网络

4. 找到对应设备的 APP

5. 点击开灯按钮

这样的场景真的为生活带来了便利吗 ? 糟糕的体验，繁琐的过程，从而使这个产品慢慢淡出我们的生活场景 . 于是，那个物理开关的使用频次又恢复了，这或许也是智能设备不能普及的根本原因之一。

以上生活的场景有很多，根本原因是缺少了和产品对话的功能，即语音交互，所以显得不那么智能。

理想的情景：

早晨醒来时，只需要说一声: 睡醒了，然后灯自动亮起，窗帘自动打开，音乐自动响起 ….，这样的场景你还满意吗 ?

一个便利的生活场景描述正式带你进入本文的环节： 语音交互。

根据人机交互这个维度，主要划分了三个时代：

第一个时代：PC 时代。让电脑明白人类的意图，通过鼠标、键盘的方式输入让浏览器搜索获取想要的知识。

第二个时代：移动时代。Touch 称为该时代交互方式，就是 2007 年乔布斯发布的 iPhone。触摸屏的出现极大的提高了用户交互的体验，容易上手。

键盘和触摸同共构成了互联网交互方式的过去和现在。从另外一个角度说，也可以把键盘对应于 PC 时代交互方式，把触摸对应于移动时代交互方式。

正是因为用户从 PC 转移到了移动端，互联网行业才发生了那么多的变化。

第三个时代：AI 时代。语音称为该时代的交互方式，每一部手机都将能听会说，每一台家电都将能听会说，每一辆汽车都将能听会说，无人驾驶，每一个玩具都将能听会说。

语音时代，用户只需要用说话的方式给服务终端发布命令，就能得到相应的服务 . 这一产业从上世纪六十年代就已出现，但并不为普通消费者所熟知，消费者对其认知度也比较低。

近年来，随着苹果、亚马逊、谷歌、微软等公司先后推出 Siri、Echo 等智能语音服务，这一服务以及相关产业也开始被普通消费者和投资界所关注。

这里必须要提到亚马逊的 Echo 智能音箱。Echo 已经成为语音时代的一个重大创新，成为智能家庭的一个现象级应用。

由于 Echo 尚没有中文版，所以大家没有体会到它的热度，然而在美国，已经成为 “ 一款现象级的革命性产品 “。

从 2014 年 11 月正式发布到现在，亚马逊的 Echo 智能音箱超过两岁了。在这两年时间里，它从一开始随时可能夭折的 “ 新生儿 “，发展成如今市场上最为火热的智能家居产品之一。

二、国内外智能音响

随着着亚马逊 Echo 的火爆引发一连串的效应，这也是智能音箱行业的一个重要转折点。各大巨头纷纷入局，如亚马逊 Alexa、微软 Cortana、Google Assistant、苹果 Siri、三星 Bixby、等智能语音助手。

如今，这场战火也点燃了中国市场。井喷式发展的中国智音箱市场已经成为了科技巨头、传统行业厂商、创业公司博弈的竞技场，玲琅满目的智能音箱产品都奔赴在路上 !

各大厂商的音响盘点，单品测评，性价比优势，各种平台已报道出很多，这里以音响的软硬件配置作为切入点，分析各大厂商的方案选型，性价比优劣势：

1. 麦克风

麦克风是智能音响很重要的环节，包括远场拾音、噪声抑制、混响去除、人声干扰抑制、声源测向、声源跟踪、阵列增益等功能，进而提高语音信号处理质量，以提高真实环境下的语音识别率。

通过对比图可以看出亚马逊 Echo、天猫精灵、小米 AI 音响、叮咚 2 代技术路线类似，使用了 6、7、8 个麦克风环形阵列，使得波束的空间区分性更强，保证声源定位和拾音效果。

谷歌 Home 和问问音响则不同，采用双麦克风方案，对麦克风的数量和阵列排列结构依赖较少，更加依赖语音增强算法，从而获得良好的拾音效果。

根据第三方测评机构，和 Echo 对比，谷歌 Home 在 3 米内的综合能力（拾音、信噪比、抗噪、抗回声）要更好。

谷歌的麦克风阵列采用的算法很有特点，他们对深度学习的应用较深，算是一种波束成型和深度学习相结合的一种形式 。

2. 处理器

亚马逊 Echo 采用 TI（德州仪器）DM3725CUS100 的芯片，主要为工业级应用，主频不高，但处理能力很强 . 功耗、性能控制的很好。

谷歌 Home 采用的是 Marvell（美满） 88DE3006 的芯片，该芯片也为工业级芯片，在通讯中应用比较多。

该芯片为 2 核，也显示了谷歌 Home 在硬件端没有太多计算能力，更多计算在云端，这样就简化了很多东西，也不需要 Codec，麦克风阵列可与主控直接相连。

天猫精灵采用的是 MTK MT8516 的语音专用芯片，这款芯片是 MTK 为智能助手打造的，主频达 1.3GHz，芯片内建 WiFi 802.11 b/g/n 和支持蓝牙 4.0，支持高达 8 通道的 TDM 麦克风阵列接口和 2 通道的 PDM 数字麦克风接口，非常适用于远场 (Far-field) 麦克风语音控制和智能音响设备，在同代中稳定性、性价比很高。

问问音响则采用的是 MTK MTK2601 芯片，面向于智能穿戴方面，1.2GHz 双核心 ARM Cortex-A7 处理器，MT2601 需要结合 MT6630 无线射频芯片，实现双频 WIFI、蓝牙 4.1 以及 ANT+ 和 FM 等功能。

叮咚 2 代采用的全志科技 R16 芯片，主要面向于智能家居方面，采用极具性价比的四核 ARM Cortex-A7 架构处理器，支持基于 Linux 的开源系统 Tina，(Tina 是全志科技全力打造的专门用于全志智能硬件平台的系统软件品牌)；

支持 AirPlay、DLNA、Qplay、Airkiss、Smart Link 等多种网络应用协议;提供独特的算法、IP 包，使开发者可以专注于其自有应用和产品市场运营，降低产品开发成本，并缩短开发周期。

小米 AI 音响采用的是 Amlogic 的 A112 芯片，主要面向于智能家居方面，四核 ARM Cortex-A53 架构，8 通道 I2S 和 S /PDIF 输入和输出，具有强大的运算性能和丰富的接口，凭借四核 64 位 CPU 架构强大的计算能力，可以支持无需外部 DSP 芯片的主流远场语音识别解决方案。 

卓越的音频处理能力可支持多种本地或在线高保真音乐，因此用户可随时随地欣赏音乐。

3. 扬声器发声单元

智能音响以 “智能” 出名，当下的智能音响更多的考虑是音质的选择，音质一方面受 Codec 芯片影响，另一方面也受到发音单元的影响。

亚马逊 Echo 采用的是一个高音单元、一个低音单元和一个倒相管的设计结构，保证高音的同时，也增强了低音的效果。之所以说 Echo 是智能音箱产品的典型代表，不仅仅是因为它是第一款智能音箱，更因为它在智能、音质、体积、体验上都做到了平衡。

谷歌 Home 和天猫精灵和小米 AI 和叮咚二代，在音质上稍微弱一些，仅采用了一个全频带的发音单元，通过共振鼓膜来增强一部分低音效果。

从设计结构上来看，谷歌 Home 的两片共振鼓膜也形成一种立体声效果，比其它又相对好一些。

问问音箱差异化的点在于大功率发音单元的配置，采用了 1 寸高音单元和 3 寸低音单元以及更大音腔的设计方式，功率高达 50W，从而在硬件方面提供更好的音质，这也大大提升了物料成本。

对比硬件，各家平台各有优劣势，面对不同的用户需求，需要结合软件的优化才能达到良好的体验和语音交互。

三、应用场景

1. 蓝牙音响

蓝牙技术是爱立信在 1994 年提出的，那个时候是作为 RS232 数据线的取代策略 . 蓝牙是一种无线传输技术，可以得到当多设备的短距离数据更换，如大家的智能手机，此类技术最大的长处在于无线传输，外加就是短距离，因而发射功率不需要那大，也省电。

蓝牙音箱就是将此类技术应使用有源音箱上，经过此类无线传输技术，将智能手机、平板电脑或 PC 上的数字音频传输到音箱上，就会得到无拘无束的无线音乐播放。

场景应用:  便携式音箱、离线音乐播放、 无线传输

2. 智能音响

智能音响赋予 “ 智能 “ 的功能，它的局限不止播放音乐这么简单，而是深入到生活实际的场景中去，语音直接说话下命令，代替按键、触摸屏，是人更自然的体验 . 语音控制家电，实现订餐、下单、获取资讯等各种各样的服务。

同时各大互联网巨头和科技公司都在投入大量成本，完善和改进技术，并积极投入到场景应用中。真正锁定用户真正刚性需求，深耕使用场景，或将成为未来产业致胜的关键要素。

场景应用：音乐播放、语音交互、生活助理

腾讯举办的用户开发日，体验过朋友应该已经感觉到那个神秘的方盒子力量 . 每天在使用微信、QQ 沟通交流，闲暇时在王者峡谷开黑，跳伞吃鸡的你，是否已经准备好迎接巨头将来出现在家居、交通、医疗等领域的这些形态和方式？

腾讯用户开放日，我们体验了腾讯的最新科技，发现了这些秘密

四、搭建 Alexa 语音服务

1.  Amazon 注册设备

1.1 账号注册

按照以下说明 注册步骤，注册一个产品，填写相关信息并创建安全配置文件，用于与 Alexa 进行通信的访问和刷新令牌。

Note：Web 设置下的允许 origin 和返回 URL 应分别为：http://localhost:3000 和 http://localhost:3000/authresponse.

1.2 信息

注册设备后，找到安全配置（Security Profile）文件下的常规（General）选项卡，并记下 clientID，clientSecret 和 deviceTypeID。后面将需要这些信息来配置 AuthServer，获取 token。

2. 安装依赖

2.1 基本工具

安装基本的配置工具：

sudo apt-get install git gcc cmake build-essential

通过 gcc -v 和 cmke -version 查看版本，符合 gcc 4.8.5 和 cmke 3.1 以上即可。

2.2 安装 libcurl 、nghttp2 、openssl

这部分搭建很重要，由于连接到 AVS 需要使用 Http2 协议，SDK 中使用 libcur 建立该连接。

源码安装 openssl：

wget https://www.openssl.org/source/old/1.0.2/openssl-1.0.2g.tar.gz tar -xzvf openssl-1.0.2g.tar.gz cd openssl-1.0.2g ./configure  // 默认安装路径 /usr/local，也可以通过--prefix 指定安装路径 make sudo make install openssl version  // 确认安装版本: OpenSSL 1.0.2g  1 Mar 2016

源码安装 libcurl：

wget https://curl.haxx.se/download/curl-7.50.2.tar.gz tar -xzvf curl-7.50.2.tar.gz cd curl-7.50.2 ./configure　默认安装路径 /usr/local，也可以通过--prefix 指定安装路径 make sudo make install curl --version   // 确认安装版本: curl 7.50.2

源码安装 nghttp2：

安装依赖：
sudo apt install python-dev libcunit1 libevent-dev libevent-openssl libjansson-dev libspdylay-dev libjemalloc-dev cython libnghttp2-14  libnghttp2-dev

wget https://github.com/nghttp2/nghttp2/releases/download/v1.0.0/nghttp2-1.0.0.tar.gz tar -xzvf nghttp2-1.0.0.tar.gz cd nghttp2-1.0.0 ./configure make sudo make install nghttp --version // 确认安装版本: nghttp2/1.0.0

2.3 安装 SQLite

wget https://www.sqlite.org/2017/sqlite-autoconf-3210000.tar.gz tar -xzvf sqlite-autoconf-3210000.tar.gz cd sqlite-autoconf-3210000/ make sudo make install sqlite3 -version  // 去人安装版本: 大于 SQLite 3.19.3

2.4 安装 PortAudio

PortAudio 是一个免费、跨平台、开源的音频 I/O 库，示例程序必须组件。

wget http://www.portaudio.com/archives/pa_stable_v190600_20161030.tgz tar xf pa_stable_v190600_20161030.tgz cd portaudio ./configure --prefix=$LOCAL_BUILD    // 需要配置安装路径 make sudo make install

2.5 安装 Gstreamer

示例应用程序需要构建媒体播放器，来实现播放 MP3 文件 . 选择 GStreamer 框架来实现 . 需要安装一些依赖项：

sudo apt-get install bison flex libglib2.0-dev libasound2-dev pulseaudio libpulse-dev libfaad-dev libsoup2.4-dev libgcrypt20-dev

gstreamer-1.10.4：

wget https://gstreamer.freedesktop.org/src/gstreamer/gstreamer-1.10.4.tar.xz tar xf gstreamer-1.10.4.tar.xz cd *gstreamer*/ ./configure make -j3 sudo make install

gst-plugins-base-1.10.4：

wget https://gstreamer.freedesktop.org/src/gst-plugins-base/gst-plugins-base-1.10.4.tar.xz tar xf gst-plugins-base-1.10.4.tar.xz cd *gst-plugins-base*/ ./configure make -j3 sudo make install

gst-libav-1.10.4：

wget https://gstreamer.freedesktop.org/src/gst-libav/gst-libav-1.10.4.tar.xz tar xf gst-libav-1.10.4.tar.xz cd *gst-libav*/ ./configure make -j3 sudo make install

gst-plugins-good-1.10.4：

wget https://gstreamer.freedesktop.org/src/gst-plugins-good/gst-plugins-good-1.10.4.tar.xz tar xf gst-plugins-good-1.10.4.tar.xz cd *gst-plugins-good*/ ./configure make -j3 sudo make install

gst-plugins-bad-1.10.4：

wget https://gstreamer.freedesktop.org/src/gst-plugins-bad/gst-plugins-bad-1.10.4.tar.xz tar xf gst-plugins-bad-1.10.4.tar.xz cd *gst-plugins-bad*/ ./configure make -j3 sudo make install

Note：GStreamer 下的组件是依赖关系，需要按顺序安装。

2.6 安装 Sensory

使用 Sensory 作为唤醒词引擎来检测唤醒词 Alexa，配置之前需要安装依赖项:

sudo apt-get -y install libasound2-dev sudo apt-get -y install libatlas-base-dev sudo ldconfig

由于官方公布的引擎是只能在树莓派上运行，运行在 Linux 平台下载链接如下，有效期限一个月 . 过了有效期，唤醒将无法使用。

sensory-gitchat：链接: https://pan.baidu.com/s/1c2lQqOS 密码: uvuk

3. 构建 SDK

3.1 克隆 SDK

克隆 SDK 之前，需要熟悉 git 的操作，参考 git 快速入手指南。

git clone [email protected]:alexa/avs-device-sdk.git git checkout v1.1.0  // 切换 v1.1.0 版本

Note：官方迭代版本比较快，截止 20171210，已经更新到 v1.3 版本，该教程以 v1.1.0 版本为准。

3.2 构建 SDK
代码框架使用 cmake，创建外部编译目录。这个目录不能是源目录的子目录 .

构建 Sensory：

这是一个 cmake 命令构建 Sensory 的例子

cmake -DSENSORY_KEY_WORD_DETECTOR=ON -DSENSORY_KEY_WORD_DETECTOR_LIB_PATH=.../alexa-rpi/lib/libsnsr.a -DSENSORY_KEY_WORD_DETECTOR_INCLUDE_DIR=.../alexa-rpi/include

说明：

• DSENSORY_KEY_WORD_DETECTOR_LIB_PATH: 唤醒词的路径: sensory-gitchat/lib/libsnsr.a

• DSENSORY_KEY_WORD_DETECTOR_INCLUDE_DIR: 头文件路径： sensory-gitchat/include

构建 MediaPlayer：

• MediaPlayer 基于 GStreamer 框架，并不是默认生成，要构建 MediaPlayer 必须 CMake 指定-DGSTREAMER_MEDIA_PLAYER=ON选项

• 如果 GStreamer 通过源码安装，构建的时候必须 CMake 通DCMAKE_PREFIX_PATH选项指定前缀路径

cmake -DGSTREAMER_MEDIA_PLAYER=ON -DCMAKE_PREFIX_PATH=

构建 PortAudio：

这是使用 PortAudio 为 C++ 构建 AVS Device SDK 的示例 CMake 命令：

cmake -DPORTAUDIO=ON -DPORTAUDIO_LIB_PATH= -DPORTAUDIO_INCLUDE_DIR=

说明:

• DPORTAUDIO_LIB_PATH :   portaudio 的 libportaudio.a 路径

• DPORTAUDIO_INCLUDE_DIR ： portaudio 的头文件路径

3.2 更新配置文件

源代码构建成功后，用文本编辑器打开 Integration 目录下的 AlexaClientSDKConfig.json 文件，填写设备注册时候，记录下的信息：

{    "authDelegate":{        "clientSecret":"${SDK_CONFIG_CLIENT_SECRET}",        "deviceSerialNumber":"${SDK_CONFIG_DEVICE_SERIAL_NUMBER}",        "refreshToken":"${SDK_CONFIG_REFRESH_TOKEN}",        "clientId":"${SDK_CONFIG_CLIENT_ID}",        "deviceTypeId":"${SDK_CONFIG_DEVICE_TYPE_ID}"     },   "alertsCapabilityAgent":{     "databaseFilePath":"${SDK_SQLITE_DATABASE_FILE_PATH}",     "alarmSoundFilePath":"${SDK_ALARM_DEFAULT_SOUND_FILE_PATH}",     "alarmShortSoundFilePath":"${SDK_ALARM_SHORT_SOUND_FILE_PATH}",     "timerSoundFilePath":"${SDK_TIMER_DEFAULT_SOUND_FILE_PATH}",     "timerShortSoundFilePath":"${SDK_TIMER_SHORT_SOUND_FILE_PATH}"   } }

填写该文件确保路径中没有任何额外的字符（或空格). 该配置还包含声音文件的路径，该文件将用于播放警报（Alarms）和计时器（Timer）的声音。

您可以从以下链接，获取 “定时器和警报” 获取所需的声音文件：Alexa Voice Service UX Design Guidelines

这时，需要数据库来存储预定的警报 . 在您的配置文件中，将文件路径位置包含到要用于存储和读取警报的数据库中。如果数据库不存在，将在该位置创建一个数据库文件。

例如 /home/avs/alerts.db.

3.3 安装

填写完 JSON 文件，并重新检查之后，进入终端的构建目录并运行 “make”。

make -j3 make install

3.4 运行 AuthServer

编译完成后，需要为设备获刷新令牌，需要运行 AuthServer，一个将处理令牌交换的本地服务器将实现它：

python AuthServer/AuthServer.py

如果您在这里遇到错误，访问 http://127.0.0.1:3000/，将在浏览器中弹出错误，请单击以获取更多详细信息，以确保您能够返回并更正它们。

3.5 运行示例程序

确保前面每一项步骤顺利完成后，到这里可以运行示例程序，进入构建目录到 SampleApp/src 文件夹并运行以下命令：

TZ=UTC ./SampleApp

• REQUIRED-absolute-path-to-config-json :  AlexaClientSDKConfig.json 路径

• OPTIONAL-absolute-path-to-wake-word-engine-folder-enclosing-model-files : sensory 唤醒词模型路径： sensory-gitchat/alexa.snsr

然后将弹出命令行界面。因为你设置了一个唤醒字引擎，因此你需要做的只是说 “Alexa”，即可进行对话。确保电脑的麦克风、喇叭处于打开状态。

五、语音服务开发指南

近年来国内外各大巨头同时发力争夺未来人工智能时代的语音入口，甚至亚马逊和阿里率先不惜代价开启了补贴大战 . 这些全球剧透的激烈竞争，将对未来十年产生极其重要的影响。

同时，这也是技术人员职业快速发展的机会。这里以语音为核心，介绍声学模型、信号处理、语音识别开发平台、结构等相关知识框图，每一个方面都需要时间去实践，可以结合自己现有知识进行拓展。

框图只做参考，部分细节需要结合实际情况去分析。

六、参考

• 语音智能 OS:国内 40 多家语音开发平台，做中国版 Alexa 的滋味是怎样的 ?

• 在和「小爱同学」相处数日后，我发现语音智能把 IoT 盘活了

• 这是一个智能音箱的超级全家桶，亚马逊、Google、苹果等巨头都被装在了里头

• Echo Alexa 使用指南

• Alexa Voice Service

七、反馈

搭建 Alexa 语音服务涉及的知识点比较多，搭建过程中遇到问题请按照以下格式描述清楚，发送至邮箱: [email protected] 。

格式要求：

[GitChat 用户名 ] : xxx
[操作系统版本 ] : 如 Ubuntu 16.04.2 LTS
[问题描述] :  搭建过程中出错的详细记录，文字、图片

近期热文

《修改订单金额！？0.01 元购买 iPhoneX？》

《让你一场 Chat 学会 Git》

《接口测试工具 Postman 使用实践》

《如何基于 Redis 构建应用程序组件》

《深度学习在摄影技术中的应用与发展》

《这样做，你的面试成功率将达到 90%》

《如何用 TensorFlow 让一切看起来更美？》

「阅读原文」看交流实录，你想知道的都在这里