跳到正文
阿里雲開發者社區 AI·· 12 天前AI 評分42

阿里雲語音服務 AI 語音呼叫系統的設計與實現

基于阿里云语音服务的AI语音呼叫系统设计与实现

AI 導讀

文章以阿里雲智能語音交互服務的 RESTful API,示範如何用 Python 建立 AI 語音呼叫系統核心流程,串接 ASR 語音識別、關鍵詞意圖匹配與 TTS 語音合成。示例使用 16kHz wav 音訊,並説明 Token 管理、音訊格式及並發處理等注意事項。此方案適合快速驗證及中小型業務場景。

正文

2026-11-10 3

版权

版权声明:

本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写 侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

简介: 本文基于阿里云语音服务,用Python实现轻量级AI语音呼叫系统:通过ASR语音识别与TTS语音合成构建“来电→识别→意图匹配→合成回复”闭环,代码简洁、部署便捷,显著降低客服人力成本,适用于账单查询、业务咨询等高频场景。(239字)

基于阿里云语音服务的AI语音呼叫系统设计与实现

背景与问题

近年来,客服呼叫中心面临人力成本高、招工难、培训周期长、业务高峰期占线率高等一系列问题。传统 IVR 用按键导航,用户体验不佳。AI 语音呼叫系统则将自然语言交互融入呼叫流程,能够自动识别用户意图并给出应答,可覆盖账单查询、预约挂失、反馈收集等高频业务,大幅降低人工成本。对开发者而言,直接实现一套支持 ASR、TTS 和对话管理的系统门槛较高,尤其需要音频处理、模型部署和并发架构等能力。云计算平台提供的语音服务恰好可以解决这些难题。

方案设计

一个典型的 AI 语音呼叫系统包括呼叫接入、语音识别、自然语言理解、语音合成和业务系统五个部分。呼叫接入层负责与电话网或 VoIP 对接,把语音流送到后端服务;智能层依次完成语音到文本、文本到语义、语义到语音的转换;业务层则提供查询、办理等能力。

本文聚焦智能层,使用阿里云智能语音交互服务的 RESTful API 实现 ASR 与 TTS。整体流程如下:

用户来电 -> 电话网关 -> 一句话识别(ASR) -> 意图匹配 -> 文本回复 -> 语音合成(TTS) -> 电话网关 -> 用户挂机

该流程是呼叫机器人最小可用闭环,代码量少,易于扩展。意图匹配部分可以用规则或大模型替换,甚至接入企业知识库。

实现步骤

1. 开通服务并准备密钥

在阿里云开通智能语音交互服务,创建应用获取 Appkey。然后创建 RAM 用户,在密钥管理中获取 AccessKey ID 和 AccessKey Secret。本地开发时建议通过环境变量注入,避免硬编码到代码仓库。

2. 获取 Token

调用阿里云语音接口需要临时 Token。可以使用 aliyun-python-sdk-core 快速获取,Token 有效期为 24 小时,可缓存在内存或 KV 服务中。

3. 一句话识别

一句话识别适用于 60 秒以内的短音频。将音频二进制数据 POST 到 ASR 网关,同步返回识别文本。若音频采样率或编码格式不匹配,会报错。因此示例中固定为 16kHz 的 wav 文件。

4. 语音合成

将回复文本 POST 到 TTS 网关,网关返回带音频数据的响应体。保存为 wav 即可播放,也可以在系统内直接播放流式输出。这里使用同步方式,便于演示。

5. 组合业务流程

主程序先调用 ASR,得到用户语句;再利用简单的关键词匹配生成回复;最后调用 TTS 生成语音文件。这个逻辑可作为一个云函数,通过网关对外提供接口。

代码示例

下面是一个完整的 Python 脚本,演示了从语音识别到语音合成的闭环流程。请先安装依赖:pip install aliyun-python-sdk-core requests。

# -*- coding: utf-8 -*-
import json
import requests
from aliyunsdkcore.client import AcsClient
from aliyunsdkcore.request import CommonRequest

ACCESS_KEY_ID = 'your-access-key-id'
ACCESS_KEY_SECRET = 'your-access-key-secret'
APPKEY = 'your-appkey'

def get_token():
    """获取阿里云语音服务Token"""
    client = AcsClient(ACCESS_KEY_ID, ACCESS_KEY_SECRET, 'cn-shanghai')
    req = CommonRequest()
    req.set_method('POST')
    req.set_domain('nls-meta.cn-shanghai.aliyuncs.com')
    req.set_version('2019-02-28')
    req.set_action_name('CreateToken')
    req.set_accept_format('json')
    resp = client.do_action_with_exception(req)
    data = json.loads(resp)
    return data['Token']['Id']

def one_shot_asr(audio_path, token):
    """一句话识别,返回文本"""
    with open(audio_path, 'rb') as f:
        audio_data = f.read()
    url = 'https://nls-gateway.cn-shanghai.aliyuncs.com/rest/v1/asr'
    params = {
   
        'appkey': APPKEY,
        'token': token,
        'format': 'wav',
        'sample_rate': '16000',
        'enable_punctuation_prediction': 'true'
    }
    headers = {
   'Content-Type': 'audio/wav'}
    resp = requests.post(url, params=params, headers=headers, data=audio_data)
    result = resp.json()
    if result.get('status') == 'OK':
        return result['result']
    else:
        raise RuntimeError(result.get('status_text', 'ASR failed'))

def tts_synthesize(text, token, output_path):
    """语音合成,将文本转为音频文件"""
    url = 'https://nls-gateway.cn-shanghai.aliyuncs.com/rest/v1/tts'
    params = {
   
        'appkey': APPKEY,
        'token': token,
        'text': text,
        'format': 'wav',
        'voice': 'xiaoyun',
        'sample_rate': '16000'
    }
    resp = requests.post(url, params=params, data=text.encode('utf-8'))
    if resp.headers.get('Content-Type', '').startswith('audio'):
        with open(output_path, 'wb') as f:
            f.write(resp.content)
        return output_path
    else:
        raise RuntimeError(resp.text)

if __name__ == '__main__':
    token = get_token()
    text = one_shot_asr('user.wav', token)
    print('识别结果:', text)

    # 简单的意图处理,实际系统可替换为大语言模型
    if '余额' in text:
        reply = '您当前账户余额不足,请尽快充值。'
    elif '套餐' in text:
        reply = '您本月套餐内流量已使用4GB,剩余6GB。'
    else:
        reply = '抱歉,我没有听懂,请换一种说法重试。'

    output_file = tts_synthesize(reply, token, 'reply.wav')
    print('回复音频:', output_file)

关键步骤说明

  • get_token 使用 CommonRequest 构造了一个 RPC 请求,阿里云 SDK 会自动加上签名。返回的 JSON 中有 Token.Id,后续直接使用。
  • one_shot_asr 读取本地 wav 文件,以二进制流形式 POST 给服务端。注意服务端要求 format 与 sample_rate 一致。
  • tts_synthesize 将文本置于请求体中,返回的音频内容直接写文件。这里的发音人 xiaoyun 是预置音色,也可以换成其他音色。
  • 主流程使用关键词映射来模拟意图识别,这种方式适合固定业务场景,但灵活性不足,实际生产可以接入大语言模型。

注意事项

  1. 音频格式:示例仅支持 wav 和 16kHz 采样率。如果用电话采集的 8kHz 音频,必须修改 sample_rate 为 8000,并重采样。
  2. Token 缓存:每次调用前都获取 Token 会产生额外时延。应当把 Token 缓存到 Redis 或本地缓存,在过期前刷新。
  3. 超时与重试:生产中要设置合理超时,遇到网络抖动时使用指数退避策略重试,避免雪崩。
  4. 并发能力:一句话识别接口适合小流量场景。大并发或实时通话场景应改用 WebSocket 流式识别,并在函数计算或容器中部署,以便自动扩容。
  5. 安全与合规:语音数据涉及用户隐私,需在链路中加入 HTTPS 和加密存储,并遵守相关法律法规。AccessKey 绝对不能出现在前端代码中。
  6. 扩展性:为了支持完整呼叫系统,还需要增加通话状态管理、静音检测、按键输入(DTMF)以及人工坐席转接等能力。

总结

本文基于阿里云智能语音交互服务,用 Python 实现了一个 AI 语音呼叫系统的核心模块。通过 ASR 和 TTS 两个云接口,我们快速完成了语音到文本、文本到语音的闭环。该方案代码简洁、部署方便,适合快速验证和中小业务场景。未来可以结合大模型、数据库和云函数,构建功能更强大的智能语音客服平台。

來源:阿里雲開發者社區 AI · developer.aliyun.com