本文介绍了基于Paddle模型库在Intel AI BOX边缘设备上部署简易AI“朗读机”的项目。该设备可识别实体书或A4纸文字，按空格键即可发声并截图。部署涉及PaddleOCR、PaddleSpeech等，提供了从PaddleHub和PaddleSpeech调用语音合成模型的两种方式，后者支持更多预训练模型及自定义优化，设备类似预装Windows系统的PC。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
0 背景介绍
现下，随着各种流行APP的出现，“听书”已经成为一种新的读书方式。不过，相比起电子书软件，要从实体书本中“听书”，就存在不少困难。
比如，电子书软件天然就有准确的文本输入，只需要解决语音合成问题——当然，这看似简单的一步，其实一点也不简单，比如要做好分词、断句，语音合成模型需要在海量数据集上训练等等。
相比之下，从实体书里“听书”，难度则又加了几层——如何做精准的OCR识别？如何把断行的合成语音重整？如何实现点读？实时性如何保证？
接下来这个新系列，我们将开始探索如何基于Paddle模型库实现一个用户体验良好的“点读机”。
还是遵循从易到难的原则，现在，就让我们先开发一个最简单的AI“朗读机”。
1 项目效果展示
在本项目中，我们基于PaddleOCR + PaddleSpeech（PaddleHub）+ OpenVINO，在Intel AI BOX边缘设备上部署了一个简易的AI“朗读机”。不管是实体书还是A4纸，只要送到它面前，只需根据识别效果调整好摆放位置，当用户按下空格键时，就能发出语音，并截下对应时刻的识别图片。
1.1 AI“朗读机”实时展示效果
1.2 AI“朗读机”运行效果展示
In [1]
from IPython.display import Video
In [2]
Video('2022-05-09 02-16-02.mkv')In [3]
Video('2022-05-09 02-13-59.mkv')1.3 Intel AI BOX和摄像识别设备安装图
2 部署设备简介
参考链接：搭载第 11 代智能英特尔® 酷睿™ U 系列 CPU 和 Hailo-8™ M.2 AI 加速模块的 ASB210-953-AI 边缘 AI 计算系统
Intel AI BOX我们完全可以把它当一台主机用。同时，因为它预装了Windows系统，所以可以认为，就是大多数人常用的PC设备。
当然，正因为它预装的是Windows系统，在部署操作中，我们将只能使用PaddleSpeech的基本语音合成功能。
PaddleSpeech 有三种安装方法。根据安装的难易程度，这三种方法可以分为 简单, 中等 和 困难.
方式 功能 支持系统 简单 (1) 使用 PaddleSpeech 的命令行功能. (2) 在 Aistudio上体验 PaddleSpeech. Linux, Mac(不支持M1芯片)，Windows 中等 支持 PaddleSpeech 主要功能，比如使用已有 examples 中的模型和使用 PaddleSpeech 来训练自己的模型. Linux 困难 支持 PaddleSpeech 的各项功能，包含结合kaldi使用 join ctc decoder 方式解码，训练语言模型,使用强制对齐等。并且你更能成为一名开发者！ Ubuntu
3 部署流程
3.1 从PaddleHub调用语音合成模型
这部分内容其实在上一个项目【PaddlePaddle+OpenVINO】打造一个会发声的电表检测识别器中已经很详细地介绍了，这里总结几个需要做的重点过程，并与PaddleSpeech的安装进行对比：
- 先安装Parakeet
- 其实现在PaddleSpeech暂时也只是把Parakeet合并了过去，我们要用到的中英文语音合成的预训练模型，也都是之前Parakeet训练的；而PaddleSpeech与PaddleHub的区别，只是在于PaddleSpeech的安装过程基本可以做到用户“无感”
- 准备nltk_data文件
- 相比之下，PaddleSpeech在这块的巨大进步在于，nltk_data的准备也做到了用户“无感”，会直接去拉取百度的镜像文件安装，特别贴心！
- 设置截图和语音合成按键
- 对于纸质版的文字材料，OCR识别的准确率还是不太好控制的，所以，如果一上来直接识别，效果肯定不好。因此可以考虑通过按键、按钮控制，让用户选择效果比较稳定的识别帧，截图传入语音合成pipeline开始发音
- 另一方面，这也是从用户体验出发的考虑，否则整个流程会非常卡顿
- 使用playsound播放连续音频
- 通常我们用的PaddleOCR，还是只支持单行识别，我们的处理方式，要么是在送入语音合成前做换行恢复的处理，要么就用连续音频播放解决该问题。个人建议后者的方式，前者在词法和版面分析上，将有大量操作，如果不是发音精度要求特别高的场景，开发性价比不高。
在本项目中，相关的部署代码已放在PaddleCode.zip文件中，读者下载并完成安装后，可以运行python can_new.py命令启动AI“朗读机”。
3.2 从PaddleSpeech调用语音合成模型
本项目提供另一种使用PaddleSpeech输出合成语音的方式，关键代码如下：
from paddlespeech.cli import TTSExecutor # 传入TTSExecutor() run_paddle_ocr(source=0, flip=False, use_popup=True, tts=TTSExecutor())
通过在run_paddle_ocr()函数中，调用Python API的方式，合成语音文件。
wav_file = tts_executor( text=txts[i], output='wavs/' + str(i) + '.wav', am='fastspeech2_csmsc', am_config=None, am_ckpt=None, am_stat=None, spk_id=0, phones_dict=None, tones_dict=None, speaker_dict=None, voc='pwgan_csmsc', voc_config=None, voc_ckpt=None, voc_stat=None, lang='zh', device=paddle.get_device())
这种做法的好处在于，可以选择更多的预训练模型。我们可以查看TTSExecutor()的源代码：
class TTSExecutor(BaseExecutor): def __init__(self): super().__init__() self.parser = argparse.ArgumentParser( prog='paddlespeech.tts', add_help=True) self.parser.add_argument( '--input', type=str, default=None, help='Input text to generate.') # acoustic model self.parser.add_argument( '--am', type=str, default='fastspeech2_csmsc', choices=[ 'speedyspeech_csmsc', 'fastspeech2_csmsc', 'fastspeech2_ljspeech', 'fastspeech2_aishell3', 'fastspeech2_vctk', 'tacotron2_csmsc', 'tacotron2_ljspeech', ], help='Choose acoustic model type of tts task.') self.parser.add_argument( '--am_config', type=str, default=None, help='Config of acoustic model. Use deault config when it is None.') self.parser.add_argument( '--am_ckpt', type=str, default=None, help='Checkpoint file of acoustic model.') self.parser.add_argument( "--am_stat", type=str, default=None, help="mean and standard deviation used to normalize spectrogram when training acoustic model." ) self.parser.add_argument( "--phones_dict", type=str, default=None, help="phone vocabulary file.") self.parser.add_argument( "--tones_dict", type=str, default=None, help="tone vocabulary file.") self.parser.add_argument( "--speaker_dict", type=str, default=None, help="speaker id map file.") self.parser.add_argument( '--spk_id', type=int, default=0, help='spk id for multi speaker acoustic model') # vocoder self.parser.add_argument( '--voc', type=str, default='pwgan_csmsc', choices=[ 'pwgan_csmsc', 'pwgan_ljspeech', 'pwgan_aishell3', 'pwgan_vctk', 'mb_melgan_csmsc', 'style_melgan_csmsc', 'hifigan_csmsc', 'hifigan_ljspeech', 'hifigan_aishell3', 'hifigan_vctk', 'wavernn_csmsc', ], help='Choose vocoder type of tts task.') self.parser.add_argument( '--voc_config', type=str, default=None, help='Config of voc. Use deault config when it is None.') self.parser.add_argument( '--voc_ckpt', type=str, default=None, help='Checkpoint file of voc.') self.parser.add_argument( "--voc_stat", type=str, default=None, help="mean and standard deviation used to normalize spectrogram when training voc." ) # other self.parser.add_argument( '--lang', type=str, default='zh', help='Choose model language. zh or en') self.parser.add_argument( '--device', type=str, default=paddle.get_device(), help='Choose device to execute model inference.') self.parser.add_argument( '--output', type=str, default='output.wav', help='output file name') self.parser.add_argument( '-d', '--job_dump_result', action='store_true', help='Save job result into file.') self.parser.add_argument( '-v', '--verbose', action='store_true', help='Increase logger verbosity of current task.')
PaddleSpeech 提供的可以被命令行和 python API 使用的预训练模型列表如下：
-
声学模型
模型 语言 speedyspeech_csmsc zh fastspeech2_csmsc zh fastspeech2_aishell3 zh fastspeech2_ljspeech en fastspeech2_vctk en -
声码器
模型 语言 pwgan_csmsc zh pwgan_aishell3 zh pwgan_ljspeech en pwgan_vctk en mb_melgan_csmsc zh
但是，从TTSExecutor()的源代码中我们也可以发现，其实它还支持我们配置基于自定义数据集，finetune的语音合成模型，这就为后续的模型性能优化提供了更多可能。
