“网约车司机秒变助眠医生”这个话题最近在不少社交平台上引发讨论。有人在晚归的网约车上听到司机用语音助手播放一段轻柔的引导语“吸气4秒保持住慢慢呼气6秒……”恍惚间还以为自己坐的不是网约车而是一节助眠体验舱。也有乘客好奇司机一边开车一边“哄睡”到底是怎么办到的这个场景背后其实不是司机真的考取了什么助眠医生资格而是车载智能语音系统和AI音频合成技术在做支撑。驾驶员通过语音交互触发一段程序系统自动生成具有放松效果的语音引导和背景音再通过车内音响播放出来。整个链路完成以后对于长途夜车上的乘客来说体验确实很像多了一位“AI助眠医生”。本文就从这类现象切入带大家用 Python 从零搭建一个 AI 语音助眠服务端。项目会覆盖文本转语音TTS、白噪音/呼吸引导音合成、语音识别交互、FastAPI 接口封装这几个核心模块。代码可以直接在本机运行也可以稍作改造部署到云端再对接给手机 App 或智能座舱前端使用。1. 背景与核心概念1.1 “司机秒变助眠医生”到底是什么场景网约车最常见的夜间场景是乘客加班晚归、身体疲惫或者刚结束长途出差一上车就想闭眼休息。此时车内如果连续播放节奏较快的内容或者司机频繁和乘客聊天反而会加重疲劳感。于是有产品团队想到能不能在车载系统里内置一套“助眠语音”能力让乘客上车后可以选择一段深呼吸引导、白噪音或者轻柔的故事帮助他们在途中休息这个想法听起来有点像“司机变成助眠医生”实际上司机本身不需要掌握任何医学知识。他只需要在安全停车或者通过免唤醒语音指令唤起车机里的助眠服务系统就会自动完成文案生成、语音合成、背景音混音和播放。整个过程对司机来说只是“说一句话”或者“按一个按钮”但乘客听到的却是完整的“AI 助眠治疗方案”。这类功能在智能座舱里尤其有价值因为汽车是一个天然的封闭空间音响、麦克风、屏幕都齐全。只要后端服务设计好前端车机接入一个播放器就能运行。这也是本文选择“AI 语音助眠服务端”作为主题的原因它既能解释“司机秒变助眠医生”的技术原理又是一个典型的语音音频API 的综合实战项目。1.2 AI 语音助眠系统需要哪些能力要撑起“助眠医生”这个体验系统至少要包含四个能力模块文字转语音TTS把“吸气 4 秒呼气 6 秒”这样的文案转换成温柔、缓慢的中文语音。TTS 引擎的表现直接决定用户会不会觉得“像机器人在念经”。助眠音频合成生成白噪音、下雨声、呼吸引导音等背景音。这部分不一定非要真实录音用程序合成也可以得到很接近的演示效果。语音识别ASR让系统能听懂乘客说“继续”“暂停”“太吵了”从而切换不同的助眠内容。它让“助眠医生”拥有交互能力而不是单方面播放。服务接口层把上面的能力封装成 HTTP API使手机端、车机端可以远程调用。这样音频生成、参数调整、内容管理都集中在后端前端只需要负责播放。这四个模块单独拆开都不算复杂但组合在一起就是一个完整的小型语音产品。下面第 3 章会逐个拆解第 4 章再合并成一个可运行项目。1.3 系统整体架构整个服务的调用链路可以这样理解客户端车机或者手机向 FastAPI 服务发起请求请求内容包含需要合成的文案、音色、语速等参数。FastAPI 收到请求后调用 TTS 模块生成一段 MP3 语音文件。如果需要背景音再调用音频合成模块生成白噪音或呼吸引导音。服务把生成好的文件保存到本地静态目录并返回一个可访问的音频 URL。乘客端播放音频。语音识别模块作为可选能力独立处理麦克风采集的音频识别结果再回传给业务系统做下一步动作。之所以把语音识别单独拆出来是因为它需要额外的模型文件体积比较大而且不是每次请求都会用到。将它设计为独立模块以后部署时可以按需加载不影响主流程的启动速度。2. 环境准备与版本说明2.1 运行环境本文示例代码使用 Python 编写推荐使用 Python 3.10 或 3.11 版本。Windows、macOS、Linux 都可以运行但如果使用 pyttsx3 离线合成不同平台需要安装不同的底层依赖。由于 edge-tts 调用的是微软在线语音合成接口运行过程中需要保持网络连通。语音识别部分使用 Vosk 离线模型不需要联网但需要提前下载模型文件。整个项目无需 GPU普通 CPU 电脑即可完成合成和推理适合作为个人学习项目。版本需要根据你的项目实际情况调整本文示例以常见环境为例重点演示配置思路安装命令中使用最新稳定版即可。2.2 依赖清单在项目根目录创建requirements.txt内容如下fastapi0.95.0 uvicorn0.21.0 edge-tts6.1.0 pyttsx32.90 numpy1.24.0 soundfile0.12.0 vosk0.3.45简单说明一下每个依赖的作用fastapi和uvicorn用于搭建和启动 API 服务。edge-tts基于微软 Edge 的在线 TTS支持多种中文音色生成的语音比较自然。pyttsx3离线 TTS 备选方案不依赖网络但音色偏机械。numpy和soundfile用于生成音频数据并保存为 WAV 文件。vosk离线语音识别库负责把录制的音频转成文字。2.3 项目目录设计为了保持代码结构清晰建议创建以下目录结构sleep-assistant/ ├── requirements.txt ├── main.py ├── tts_module.py ├── audio_synth.py ├── asr_module.py ├── output/ └── models/ └── vosk-model-cn-0.22/其中output目录用于存放生成的音频文件models目录用于存放 Vosk 中文模型。如果暂时不想使用语音识别可以先不下载模型后面的代码中asr_module.py可以作为独立脚本运行不影响主服务启动。3. 核心模块拆解3.1 TTS 语音合成edge-tts 生成温柔导语在线语音合成里edge-tts 是一个性价比极高的选择。它不需要注册账号也不需要申请 API Key直接通过 Python 调用即可。它支持的语言和音色非常多中文方面最常见的包括zh-CN-XiaoxiaoNeural晓晓、zh-CN-YunxiNeural云希等。使用 edge-tts 生成语音的最小示例代码如下import edge_tts import asyncio async def text_to_speech(text: str, output_path: str, voice: str zh-CN-XiaoxiaoNeural, rate: str -20%) - None: communicate edge_tts.Communicate(text, voicevoice, raterate) await communicate.save(output_path) if __name__ __main__: asyncio.run(text_to_speech(请慢慢闭上眼睛吸气4秒保持住然后呼气6秒。, output/guide.mp3))这里有几个参数值得说明voice指定音色。对不同场景可以选择不同的人声助眠场景下zh-CN-XiaoxiaoNeural比较柔和。rate语速。默认是0%助眠内容建议调慢比如-20%让整体节奏更舒缓。volume音量。可以通过volume-10%降低音量避免生成出来的文件太响后续混音时也能留出更多余量。需要注意的是edge-tts 依赖在线接口偶尔会因为网络波动或者微软接口调整而报错。遇到这种情况可以稍后重试或者切换到下一节的离线方案。3.2 离线备选pyttsx3如果部署环境没有外网或者对音质要求不高可以选择 pyttsx3。pyttsx3 是本地离线合成引擎优点是部署简单、调用稳定缺点是音色比较机械听起来像早期的语音助手。import pyttsx3 def text_to_speech_offline(text: str, output_path: str, rate: int 130) - None: engine pyttsx3.init() engine.setProperty(rate, rate) engine.save_to_file(text, output_path) engine.runAndWait() if __name__ __main__: text_to_speech_offline(欢迎使用AI助眠系统。, output/offline_guide.wav)pyttsx3 在不同平台依赖不同Windows 下会自动使用 SAPI5一般无需额外安装。macOS 下使用 NSSpeechSynthesizer通常也可以直接用。Linux 下需要提前安装 espeak 或 espeak-ng否则初始化会报错。因此在跨平台部署时建议优先使用 edge-ttspyttsx3 作为兜底方案。3.3 助眠音频合成白噪音与呼吸引导除了语音引导背景音也是助眠体验中很重要的一部分。纯白噪音可以用 numpy 随机生成保存成 WAV 文件。下面的代码生成 60 秒的白噪音import numpy as np import soundfile as sf SAMPLE_RATE 44100 def generate_white_noise(duration: float 60.0, output_path: str output/white_noise.wav) - None: samples np.random.normal(0, 0.25, int(SAMPLE_RATE * duration)) sf.write(output_path, samples, SAMPLE_RATE)np.random.normal生成标准正态分布随机数0.25是振幅系数值越大噪音越响。实际产品中人们更常使用粉红噪音Pink Noise因为它的频率分布更接近自然界的水声、风声听感更舒适。粉红噪声可以通过对白噪声做滤波处理得到本文为了演示只生成白噪声生产环境中建议使用真实录音素材。呼吸引导音则是另一种常见助眠素材。下面代码生成一段模拟呼吸起伏的波形吸气阶段频率偏高呼气阶段频率偏低def generate_breathing_guide(duration: float 120.0, output_path: str output/breath.wav) - None: t np.linspace(0, duration, int(SAMPLE_RATE * duration)) freq 0.1 * np.sin(0.15 * t) 0.4 wave np.sin(2 * np.pi * np.cumsum(freq) / SAMPLE_RATE) wave wave * np.exp(-0.001 * t) sf.write(output_path, wave, SAMPLE_RATE)这是简化的数学模拟主要是为了演示“用程序生成音频”的思路。实际产品更推荐先录制专业音频或者使用经过混音处理的声音素材直接合成容易让用户感觉生硬。3.4 语音识别Vosk 实现简单交互Vosk 是一个离线语音识别工具支持中文模型适合在车载或本地场景中使用。它的核心用法是加载模型然后不断把音频数据送入识别器。import json import wave from vosk import Model, KaldiRecognizer VOSK_MODEL_PATH models/vosk-model-cn-0.22 def load_recognizer(): model Model(VOSK_MODEL_PATH) return KaldiRecognizer(model, 16000) def transcribe_wav(wav_path: str, rec) - str: with wave.open(wav_path, rb) as wf: text_parts [] while True: data wf.readframes(4000) if len(data) 0: break if rec.AcceptWaveform(data): result json.loads(rec.Result()) text_parts.append(result.get(text, )) final json.loads(rec.FinalResult()) text_parts.append(final.get(text, )) return .join(text_parts) if __name__ __main__: import sys rec load_recognizer() print(transcribe_wav(sys.argv[1], rec))Vosk 模型需要自己下载下载后解压到models目录即可。模型体积通常在 1GB 左右所以没有放进项目代码里主服务启动时也不需要主动加载模型可以按需调用。4. 从零搭建完整可运行项目4.1 创建项目结构先在终端中执行下面的命令mkdir sleep-assistant cd sleep-assistant mkdir output models这样会得到output和models两个目录。然后创建requirements.txt内容参考第 2.2 节。4.2 安装依赖pip install -r requirements.txt安装完成后可以快速验证 edge-tts 是否能正常导入python -c import edge_tts; print(edge-tts ok)如果安装过程中遇到权限问题在虚拟环境中操作或者加上--user参数重试。4.3 编写语音合成模块 tts_module.py在项目根目录创建tts_module.py提供一个在线合成和一个离线合成函数import asyncio import edge_tts import pyttsx3 async def text_to_speech( text: str, output_path: str, voice: str zh-CN-XiaoxiaoNeural, rate: str -20% ) - None: 使用 edge-tts 在线合成语音。 communicate edge_tts.Communicate(text, voicevoice, raterate) await communicate.save(output_path) def text_to_speech_offline( text: str, output_path: str, rate: int 130 ) - None: 使用 pyttsx3 离线合成语音。 engine pyttsx3.init() engine.setProperty(rate, rate) engine.save_to_file(text, output_path) engine.runAndWait() if __name__ __main__: asyncio.run(text_to_speech(欢迎使用AI助眠系统。, output/demo.mp3))这里是核心片段需要放到项目根目录下使用。运行该文件后output目录下会生成demo.mp3。4.4 编写音频合成模块 audio_synth.py创建audio_synth.py提供白噪音和呼吸引导音合成函数import numpy as np import soundfile as sf SAMPLE_RATE 44100 def generate_white_noise( duration: float 60.0, output_path: str output/white_noise.wav ) - None: 生成白噪音音频文件。 samples np.random.normal(0, 0.25, int(SAMPLE_RATE * duration)) sf.write(output_path, samples, SAMPLE_RATE) def generate_breathing_guide( duration: float 120.0, output_path: str output/breath.wav ) - None: 生成简化版呼吸引导音。 t np.linspace(0, duration, int(SAMPLE_RATE * duration)) freq 0.1 * np.sin(0.15 * t) 0.4 wave np.sin(2 * np.pi * np.cumsum(freq) / SAMPLE_RATE) wave wave * np.exp(-0.001 * t) sf.write(output_path, wave, SAMPLE_RATE) if __name__ __main__: generate_white_noise(30, output/white_noise_30s.wav) generate_breathing_guide(30, output/breath_30s.wav)运行这个脚本会生成两个 30 秒的测试文件可以用播放器打开试听。4.5 编写语音识别模块 asr_module.py创建asr_module.py用于离线识别乘客语音import json import sys import wave from vosk import Model, KaldiRecognizer VOSK_MODEL_PATH models/vosk-model-cn-0.22 def load_recognizer(): model Model(VOSK_MODEL_PATH) return KaldiRecognizer(model, 16000) def transcribe_wav(wav_path: str, rec) - str: with wave.open(wav_path, rb) as wf: text_parts [] while True: data wf.readframes(4000) if len(data) 0: break if rec.AcceptWaveform(data): result json.loads(rec.Result()) text_parts.append(result.get(text, )) final json.loads(rec.FinalResult()) text_parts.append(final.get(text, )) return .join(text_parts) if __name__ __main__: rec load_recognizer() print(transcribe_wav(sys.argv[1], rec))这个文件会读取一个 WAV 文件并输出文字。需要先下载 Vosk 中文模型否则运行到Model(VOSK_MODEL_PATH)时会报错。4.6 编写服务入口 main.py现在把 TTS 和音频合成能力封装成 HTTP API。创建main.pyimport uuid from fastapi import FastAPI from fastapi.staticfiles import StaticFiles from pydantic import BaseModel from tts_module import text_to_speech from audio_synth import generate_white_noise, generate_breathing_guide app FastAPI() app.mount(/audio, StaticFiles(directoryoutput), nameaudio) class SleepRequest(BaseModel): text: str 请慢慢闭上眼睛吸气4秒保持住然后呼气6秒。 voice: str zh-CN-XiaoxiaoNeural rate: str -20% class DurationRequest(BaseModel): duration: float 60.0 app.post(/api/generate/voice) async def generate_voice_api(request: SleepRequest): output_file foutput/{uuid.uuid4().hex}.mp3 await text_to_speech(request.text, output_file, request.voice, request.rate) file_name output_file.split(/)[-1] return { status: ok, url: fhttp://localhost:8000/audio/{file_name} } app.post(/api/generate/white-noise) async def generate_white_noise_api(request: DurationRequest): output_file foutput/{uuid.uuid4().hex}.wav generate_white_noise(request.duration, output_file) file_name output_file.split(/)[-1] return { status: ok, url: fhttp://localhost:8000/audio/{file_name} } app.post(/api/generate/breathing) async def generate_breathing_api(request: DurationRequest): output_file foutput/{uuid.uuid4().hex}.wav generate_breathing_guide(request.duration, output_file) file_name output_file.split(/)[-1] return { status: ok, url: fhttp://localhost:8000/audio/{file_name} }代码中把output目录通过StaticFiles挂载到/audio路径下因此生成的音频文件可以直接通过 URL 访问。4.7 启动并验证在项目根目录执行uvicorn main:app --reload --host 0.0.0.0 --port 8000看到下面的输出说明服务启动成功INFO: Uvicorn running on http://0.0.0.0:8000 INFO: Application startup complete.然后打开浏览器访问http://localhost:8000/docs会看到 FastAPI 自动生成的接口文档页面。在文档页面里直接点击/api/generate/voice接口填入助眠文案点击执行就能拿到返回的音频地址。也可以使用命令行验证curl -X POST http://localhost:8000/api/generate/voice \ -H Content-Type: application/json \ -d {text:慢慢吸气4秒慢慢呼气6秒。,voice:zh-CN-XiaoxiaoNeural,rate:-20%}如果使用 Python 客户端调用可以这样写import requests response requests.post( http://localhost:8000/api/generate/voice, json{text: 请跟着我的节奏呼吸。, voice: zh-CN-XiaoxiaoNeural, rate: -20%} ) print(response.json())返回结果中的 URL 就是可以播放的音频地址例如{ status: ok, url: http://localhost:8000/audio/abc123.mp3 }把 URL 复制到浏览器中打开就能听到生成的助眠语音。5. 常见问题与排查思路在实际运行过程中最容易遇到下面这些情况问题现象常见原因解决思路edge_tts 报 ConnectionError网络不通或微软接口临时不可用检查网络连接稍后重试可以切换到 pyttsx3 离线方案pyttsx3.init() 在 Linux 上报错缺少 espeak 系统依赖安装 espeak-ng例如apt install espeak-ngsoundfile 写入 WAV 报错目录不存在或 numpy 数据类型不对提前创建output目录确认样本数据是一维数组Vosk 模型加载失败模型未下载或路径不正确下载中文模型并解压到models/vosk-model-cn-0.22接口返回 500代码中依赖模块导入失败查看终端异常栈逐个安装缺失依赖生成的音频听感太机械edge-tts 语速太快或使用了离线 pyttsx3将rate调整为-20%或更低优先使用在线音色FastAPI 文档页面打不开服务没启动或端口被占用检查 uvicorn 日志换用--port 8001等端口重试如果遇到类似报错可以按下面顺序排查先看终端输出的异常堆栈定位报错发生在哪个模块然后检查对应依赖是否安装正确最后检查文件路径、目录权限和网络连通性。这类问题大多集中在环境依赖和路径配置上代码逻辑本身反而比较简单。6. 最佳实践与工程建议6.1 音频生成要异步化和缓存对于一次助眠请求TTS 合成通常需要几秒时间。生产环境中不要把每次请求都重复生成相同的音频建议引入缓存层以“文案 音色 语速”作为缓存 Key。如果用户请求的文案和参数相同直接返回缓存中的音频 URL既能减少响应时间也能降低对在线 TTS 服务的调用压力。异步化同样重要。FastAPI 可以配合 Celery 或 Redis 队列把音频生成任务放到后台执行调用方先用轮询或者 WebSocket 获取结果。这样即使遇到高峰期也不会阻塞 API 服务。6.2 音频文件用流式播放不要整包下载助眠音频时长可能达到 30 分钟甚至更长如果直接返回大文件 URL播放端会一次性下载整个文件浪费流量而且启动慢。更好的做法是把音频转成适合流式传输的格式或者使用 HLS 切片让播放端按需加载。对车机端来说还要考虑网络切换场景流式播放能有效减少卡顿。6.3 乘客隐私需要严格保护语音识别模块会涉及乘客声音数据属于敏感个人信息。在车内场景采集音频前必须获得乘客的明确授权识别后的文本数据不要明文存储更不要随意上传到第三方平台。推荐的做法是本地离线识别只在设备端完成语音转文字原始录音及时删除。这样既能满足功能需求也能降低隐私合规风险。6.4 安全驾驶边界必须明确“司机秒变助眠医生”只是一个体验层面的说法绝对不能鼓励司机在行车过程中分心操作手机或中控屏幕。实际产品设计时应使用免唤醒语音指令或者要求司机在安全停车状态下开启助眠服务。如果系统识别到车辆正在高速行驶应该限制部分需要手动点击的操作保障行车安全。6.5 内容不能替代医疗建议助眠音频属于放松类内容并非医疗产品。在界面和文案中应避免出现“治疗失眠”“治愈焦虑”之类的表述也不要在用户反馈“长期失眠”时给出医疗建议。比较稳妥的做法是放一条免责声明并在产品内提示用户如果存在严重睡眠障碍应尽早咨询专业医生。6.6 模块化设计便于后续替换本文把 TTS、音频合成、语音识别拆成了独立模块这样做的目的是方便替换。比如后面想接入更好的商业 TTS 引擎只需要修改tts_module.py内部实现对外接口保持不变想加入真实下雨声素材只需要扩展audio_synth.py。这种设计对项目长期维护非常重要。更进一步还可以接入大模型来生成助眠文案。比如让大模型根据用户输入的“我今天加班到很晚”自动生成一段个性化的放松引导语再把文案交给 TTS 模块合成语音整个服务就会从“播放固定音频”升级为“实时定制助眠内容”。7. 总结与下一步学习方向从“网约车司机秒变助眠医生”这个现象出发本文完整搭建了一个 AI 语音助眠服务端用 edge-tts 生成温柔中文语音用 numpy 生成白噪音和呼吸引导音用 Vosk 做离线语音识别最后用 FastAPI 把能力封装成 HTTP 接口。整个项目代码量不大但覆盖了语音合成、音频生成、语音识别、API 服务四条完整链路适合作为语音类项目的入门练手。接下来可以往几个方向深入一是优化助眠音频素材用真实录音替换程序合成音提升听感二是接入大模型实现助眠文案的个性化生成三是完善播放端体验比如音频流式加载、播放进度记忆、定时关闭四是把语音识别整合进主流程让乘客可以用语音控制“继续播放”或“切换模式”。如果你也想做一个类似的 AI 语音助眠服务不妨先从本文的模块开始动手改造。代码跑通以后再逐步加入业务逻辑和部署配置就会离一个真正可以上线的语音产品越来越近。 
长河君 · 2026/8/31 4:00:50 · 阅读 1.2k Python搭建AI语音助眠服务端：从TTS到白噪音合成全流程
“网约车司机秒变助眠医生”这个话题最近在不少社交平台上引发讨论。有人在晚归的网约车上听到司机用语音助手播放一段轻柔的引导语“吸气4秒保持住慢慢呼气6秒……”恍惚间还以为自己坐的不是网约车而是一节助眠体验舱。也有乘客好奇司机一边开车一边“哄睡”到底是怎么办到的这个场景背后其实不是司机真的考取了什么助眠医生资格而是车载智能语音系统和AI音频合成技术在做支撑。驾驶员通过语音交互触发一段程序系统自动生成具有放松效果的语音引导和背景音再通过车内音响播放出来。整个链路完成以后对于长途夜车上的乘客来说体验确实很像多了一位“AI助眠医生”。本文就从这类现象切入带大家用 Python 从零搭建一个 AI 语音助眠服务端。项目会覆盖文本转语音TTS、白噪音/呼吸引导音合成、语音识别交互、FastAPI 接口封装这几个核心模块。代码可以直接在本机运行也可以稍作改造部署到云端再对接给手机 App 或智能座舱前端使用。1. 背景与核心概念1.1 “司机秒变助眠医生”到底是什么场景网约车最常见的夜间场景是乘客加班晚归、身体疲惫或者刚结束长途出差一上车就想闭眼休息。此时车内如果连续播放节奏较快的内容或者司机频繁和乘客聊天反而会加重疲劳感。于是有产品团队想到能不能在车载系统里内置一套“助眠语音”能力让乘客上车后可以选择一段深呼吸引导、白噪音或者轻柔的故事帮助他们在途中休息这个想法听起来有点像“司机变成助眠医生”实际上司机本身不需要掌握任何医学知识。他只需要在安全停车或者通过免唤醒语音指令唤起车机里的助眠服务系统就会自动完成文案生成、语音合成、背景音混音和播放。整个过程对司机来说只是“说一句话”或者“按一个按钮”但乘客听到的却是完整的“AI 助眠治疗方案”。这类功能在智能座舱里尤其有价值因为汽车是一个天然的封闭空间音响、麦克风、屏幕都齐全。只要后端服务设计好前端车机接入一个播放器就能运行。这也是本文选择“AI 语音助眠服务端”作为主题的原因它既能解释“司机秒变助眠医生”的技术原理又是一个典型的语音音频API 的综合实战项目。1.2 AI 语音助眠系统需要哪些能力要撑起“助眠医生”这个体验系统至少要包含四个能力模块文字转语音TTS把“吸气 4 秒呼气 6 秒”这样的文案转换成温柔、缓慢的中文语音。TTS 引擎的表现直接决定用户会不会觉得“像机器人在念经”。助眠音频合成生成白噪音、下雨声、呼吸引导音等背景音。这部分不一定非要真实录音用程序合成也可以得到很接近的演示效果。语音识别ASR让系统能听懂乘客说“继续”“暂停”“太吵了”从而切换不同的助眠内容。它让“助眠医生”拥有交互能力而不是单方面播放。服务接口层把上面的能力封装成 HTTP API使手机端、车机端可以远程调用。这样音频生成、参数调整、内容管理都集中在后端前端只需要负责播放。这四个模块单独拆开都不算复杂但组合在一起就是一个完整的小型语音产品。下面第 3 章会逐个拆解第 4 章再合并成一个可运行项目。1.3 系统整体架构整个服务的调用链路可以这样理解客户端车机或者手机向 FastAPI 服务发起请求请求内容包含需要合成的文案、音色、语速等参数。FastAPI 收到请求后调用 TTS 模块生成一段 MP3 语音文件。如果需要背景音再调用音频合成模块生成白噪音或呼吸引导音。服务把生成好的文件保存到本地静态目录并返回一个可访问的音频 URL。乘客端播放音频。语音识别模块作为可选能力独立处理麦克风采集的音频识别结果再回传给业务系统做下一步动作。之所以把语音识别单独拆出来是因为它需要额外的模型文件体积比较大而且不是每次请求都会用到。将它设计为独立模块以后部署时可以按需加载不影响主流程的启动速度。2. 环境准备与版本说明2.1 运行环境本文示例代码使用 Python 编写推荐使用 Python 3.10 或 3.11 版本。Windows、macOS、Linux 都可以运行但如果使用 pyttsx3 离线合成不同平台需要安装不同的底层依赖。由于 edge-tts 调用的是微软在线语音合成接口运行过程中需要保持网络连通。语音识别部分使用 Vosk 离线模型不需要联网但需要提前下载模型文件。整个项目无需 GPU普通 CPU 电脑即可完成合成和推理适合作为个人学习项目。版本需要根据你的项目实际情况调整本文示例以常见环境为例重点演示配置思路安装命令中使用最新稳定版即可。2.2 依赖清单在项目根目录创建requirements.txt内容如下fastapi0.95.0 uvicorn0.21.0 edge-tts6.1.0 pyttsx32.90 numpy1.24.0 soundfile0.12.0 vosk0.3.45简单说明一下每个依赖的作用fastapi和uvicorn用于搭建和启动 API 服务。edge-tts基于微软 Edge 的在线 TTS支持多种中文音色生成的语音比较自然。pyttsx3离线 TTS 备选方案不依赖网络但音色偏机械。numpy和soundfile用于生成音频数据并保存为 WAV 文件。vosk离线语音识别库负责把录制的音频转成文字。2.3 项目目录设计为了保持代码结构清晰建议创建以下目录结构sleep-assistant/ ├── requirements.txt ├── main.py ├── tts_module.py ├── audio_synth.py ├── asr_module.py ├── output/ └── models/ └── vosk-model-cn-0.22/其中output目录用于存放生成的音频文件models目录用于存放 Vosk 中文模型。如果暂时不想使用语音识别可以先不下载模型后面的代码中asr_module.py可以作为独立脚本运行不影响主服务启动。3. 核心模块拆解3.1 TTS 语音合成edge-tts 生成温柔导语在线语音合成里edge-tts 是一个性价比极高的选择。它不需要注册账号也不需要申请 API Key直接通过 Python 调用即可。它支持的语言和音色非常多中文方面最常见的包括zh-CN-XiaoxiaoNeural晓晓、zh-CN-YunxiNeural云希等。使用 edge-tts 生成语音的最小示例代码如下import edge_tts import asyncio async def text_to_speech(text: str, output_path: str, voice: str zh-CN-XiaoxiaoNeural, rate: str -20%) - None: communicate edge_tts.Communicate(text, voicevoice, raterate) await communicate.save(output_path) if __name__ __main__: asyncio.run(text_to_speech(请慢慢闭上眼睛吸气4秒保持住然后呼气6秒。, output/guide.mp3))这里有几个参数值得说明voice指定音色。对不同场景可以选择不同的人声助眠场景下zh-CN-XiaoxiaoNeural比较柔和。rate语速。默认是0%助眠内容建议调慢比如-20%让整体节奏更舒缓。volume音量。可以通过volume-10%降低音量避免生成出来的文件太响后续混音时也能留出更多余量。需要注意的是edge-tts 依赖在线接口偶尔会因为网络波动或者微软接口调整而报错。遇到这种情况可以稍后重试或者切换到下一节的离线方案。3.2 离线备选pyttsx3如果部署环境没有外网或者对音质要求不高可以选择 pyttsx3。pyttsx3 是本地离线合成引擎优点是部署简单、调用稳定缺点是音色比较机械听起来像早期的语音助手。import pyttsx3 def text_to_speech_offline(text: str, output_path: str, rate: int 130) - None: engine pyttsx3.init() engine.setProperty(rate, rate) engine.save_to_file(text, output_path) engine.runAndWait() if __name__ __main__: text_to_speech_offline(欢迎使用AI助眠系统。, output/offline_guide.wav)pyttsx3 在不同平台依赖不同Windows 下会自动使用 SAPI5一般无需额外安装。macOS 下使用 NSSpeechSynthesizer通常也可以直接用。Linux 下需要提前安装 espeak 或 espeak-ng否则初始化会报错。因此在跨平台部署时建议优先使用 edge-ttspyttsx3 作为兜底方案。3.3 助眠音频合成白噪音与呼吸引导除了语音引导背景音也是助眠体验中很重要的一部分。纯白噪音可以用 numpy 随机生成保存成 WAV 文件。下面的代码生成 60 秒的白噪音import numpy as np import soundfile as sf SAMPLE_RATE 44100 def generate_white_noise(duration: float 60.0, output_path: str output/white_noise.wav) - None: samples np.random.normal(0, 0.25, int(SAMPLE_RATE * duration)) sf.write(output_path, samples, SAMPLE_RATE)np.random.normal生成标准正态分布随机数0.25是振幅系数值越大噪音越响。实际产品中人们更常使用粉红噪音Pink Noise因为它的频率分布更接近自然界的水声、风声听感更舒适。粉红噪声可以通过对白噪声做滤波处理得到本文为了演示只生成白噪声生产环境中建议使用真实录音素材。呼吸引导音则是另一种常见助眠素材。下面代码生成一段模拟呼吸起伏的波形吸气阶段频率偏高呼气阶段频率偏低def generate_breathing_guide(duration: float 120.0, output_path: str output/breath.wav) - None: t np.linspace(0, duration, int(SAMPLE_RATE * duration)) freq 0.1 * np.sin(0.15 * t) 0.4 wave np.sin(2 * np.pi * np.cumsum(freq) / SAMPLE_RATE) wave wave * np.exp(-0.001 * t) sf.write(output_path, wave, SAMPLE_RATE)这是简化的数学模拟主要是为了演示“用程序生成音频”的思路。实际产品更推荐先录制专业音频或者使用经过混音处理的声音素材直接合成容易让用户感觉生硬。3.4 语音识别Vosk 实现简单交互Vosk 是一个离线语音识别工具支持中文模型适合在车载或本地场景中使用。它的核心用法是加载模型然后不断把音频数据送入识别器。import json import wave from vosk import Model, KaldiRecognizer VOSK_MODEL_PATH models/vosk-model-cn-0.22 def load_recognizer(): model Model(VOSK_MODEL_PATH) return KaldiRecognizer(model, 16000) def transcribe_wav(wav_path: str, rec) - str: with wave.open(wav_path, rb) as wf: text_parts [] while True: data wf.readframes(4000) if len(data) 0: break if rec.AcceptWaveform(data): result json.loads(rec.Result()) text_parts.append(result.get(text, )) final json.loads(rec.FinalResult()) text_parts.append(final.get(text, )) return .join(text_parts) if __name__ __main__: import sys rec load_recognizer() print(transcribe_wav(sys.argv[1], rec))Vosk 模型需要自己下载下载后解压到models目录即可。模型体积通常在 1GB 左右所以没有放进项目代码里主服务启动时也不需要主动加载模型可以按需调用。4. 从零搭建完整可运行项目4.1 创建项目结构先在终端中执行下面的命令mkdir sleep-assistant cd sleep-assistant mkdir output models这样会得到output和models两个目录。然后创建requirements.txt内容参考第 2.2 节。4.2 安装依赖pip install -r requirements.txt安装完成后可以快速验证 edge-tts 是否能正常导入python -c import edge_tts; print(edge-tts ok)如果安装过程中遇到权限问题在虚拟环境中操作或者加上--user参数重试。4.3 编写语音合成模块 tts_module.py在项目根目录创建tts_module.py提供一个在线合成和一个离线合成函数import asyncio import edge_tts import pyttsx3 async def text_to_speech( text: str, output_path: str, voice: str zh-CN-XiaoxiaoNeural, rate: str -20% ) - None: 使用 edge-tts 在线合成语音。 communicate edge_tts.Communicate(text, voicevoice, raterate) await communicate.save(output_path) def text_to_speech_offline( text: str, output_path: str, rate: int 130 ) - None: 使用 pyttsx3 离线合成语音。 engine pyttsx3.init() engine.setProperty(rate, rate) engine.save_to_file(text, output_path) engine.runAndWait() if __name__ __main__: asyncio.run(text_to_speech(欢迎使用AI助眠系统。, output/demo.mp3))这里是核心片段需要放到项目根目录下使用。运行该文件后output目录下会生成demo.mp3。4.4 编写音频合成模块 audio_synth.py创建audio_synth.py提供白噪音和呼吸引导音合成函数import numpy as np import soundfile as sf SAMPLE_RATE 44100 def generate_white_noise( duration: float 60.0, output_path: str output/white_noise.wav ) - None: 生成白噪音音频文件。 samples np.random.normal(0, 0.25, int(SAMPLE_RATE * duration)) sf.write(output_path, samples, SAMPLE_RATE) def generate_breathing_guide( duration: float 120.0, output_path: str output/breath.wav ) - None: 生成简化版呼吸引导音。 t np.linspace(0, duration, int(SAMPLE_RATE * duration)) freq 0.1 * np.sin(0.15 * t) 0.4 wave np.sin(2 * np.pi * np.cumsum(freq) / SAMPLE_RATE) wave wave * np.exp(-0.001 * t) sf.write(output_path, wave, SAMPLE_RATE) if __name__ __main__: generate_white_noise(30, output/white_noise_30s.wav) generate_breathing_guide(30, output/breath_30s.wav)运行这个脚本会生成两个 30 秒的测试文件可以用播放器打开试听。4.5 编写语音识别模块 asr_module.py创建asr_module.py用于离线识别乘客语音import json import sys import wave from vosk import Model, KaldiRecognizer VOSK_MODEL_PATH models/vosk-model-cn-0.22 def load_recognizer(): model Model(VOSK_MODEL_PATH) return KaldiRecognizer(model, 16000) def transcribe_wav(wav_path: str, rec) - str: with wave.open(wav_path, rb) as wf: text_parts [] while True: data wf.readframes(4000) if len(data) 0: break if rec.AcceptWaveform(data): result json.loads(rec.Result()) text_parts.append(result.get(text, )) final json.loads(rec.FinalResult()) text_parts.append(final.get(text, )) return .join(text_parts) if __name__ __main__: rec load_recognizer() print(transcribe_wav(sys.argv[1], rec))这个文件会读取一个 WAV 文件并输出文字。需要先下载 Vosk 中文模型否则运行到Model(VOSK_MODEL_PATH)时会报错。4.6 编写服务入口 main.py现在把 TTS 和音频合成能力封装成 HTTP API。创建main.pyimport uuid from fastapi import FastAPI from fastapi.staticfiles import StaticFiles from pydantic import BaseModel from tts_module import text_to_speech from audio_synth import generate_white_noise, generate_breathing_guide app FastAPI() app.mount(/audio, StaticFiles(directoryoutput), nameaudio) class SleepRequest(BaseModel): text: str 请慢慢闭上眼睛吸气4秒保持住然后呼气6秒。 voice: str zh-CN-XiaoxiaoNeural rate: str -20% class DurationRequest(BaseModel): duration: float 60.0 app.post(/api/generate/voice) async def generate_voice_api(request: SleepRequest): output_file foutput/{uuid.uuid4().hex}.mp3 await text_to_speech(request.text, output_file, request.voice, request.rate) file_name output_file.split(/)[-1] return { status: ok, url: fhttp://localhost:8000/audio/{file_name} } app.post(/api/generate/white-noise) async def generate_white_noise_api(request: DurationRequest): output_file foutput/{uuid.uuid4().hex}.wav generate_white_noise(request.duration, output_file) file_name output_file.split(/)[-1] return { status: ok, url: fhttp://localhost:8000/audio/{file_name} } app.post(/api/generate/breathing) async def generate_breathing_api(request: DurationRequest): output_file foutput/{uuid.uuid4().hex}.wav generate_breathing_guide(request.duration, output_file) file_name output_file.split(/)[-1] return { status: ok, url: fhttp://localhost:8000/audio/{file_name} }代码中把output目录通过StaticFiles挂载到/audio路径下因此生成的音频文件可以直接通过 URL 访问。4.7 启动并验证在项目根目录执行uvicorn main:app --reload --host 0.0.0.0 --port 8000看到下面的输出说明服务启动成功INFO: Uvicorn running on http://0.0.0.0:8000 INFO: Application startup complete.然后打开浏览器访问http://localhost:8000/docs会看到 FastAPI 自动生成的接口文档页面。在文档页面里直接点击/api/generate/voice接口填入助眠文案点击执行就能拿到返回的音频地址。也可以使用命令行验证curl -X POST http://localhost:8000/api/generate/voice \ -H Content-Type: application/json \ -d {text:慢慢吸气4秒慢慢呼气6秒。,voice:zh-CN-XiaoxiaoNeural,rate:-20%}如果使用 Python 客户端调用可以这样写import requests response requests.post( http://localhost:8000/api/generate/voice, json{text: 请跟着我的节奏呼吸。, voice: zh-CN-XiaoxiaoNeural, rate: -20%} ) print(response.json())返回结果中的 URL 就是可以播放的音频地址例如{ status: ok, url: http://localhost:8000/audio/abc123.mp3 }把 URL 复制到浏览器中打开就能听到生成的助眠语音。5. 常见问题与排查思路在实际运行过程中最容易遇到下面这些情况问题现象常见原因解决思路edge_tts 报 ConnectionError网络不通或微软接口临时不可用检查网络连接稍后重试可以切换到 pyttsx3 离线方案pyttsx3.init() 在 Linux 上报错缺少 espeak 系统依赖安装 espeak-ng例如apt install espeak-ngsoundfile 写入 WAV 报错目录不存在或 numpy 数据类型不对提前创建output目录确认样本数据是一维数组Vosk 模型加载失败模型未下载或路径不正确下载中文模型并解压到models/vosk-model-cn-0.22接口返回 500代码中依赖模块导入失败查看终端异常栈逐个安装缺失依赖生成的音频听感太机械edge-tts 语速太快或使用了离线 pyttsx3将rate调整为-20%或更低优先使用在线音色FastAPI 文档页面打不开服务没启动或端口被占用检查 uvicorn 日志换用--port 8001等端口重试如果遇到类似报错可以按下面顺序排查先看终端输出的异常堆栈定位报错发生在哪个模块然后检查对应依赖是否安装正确最后检查文件路径、目录权限和网络连通性。这类问题大多集中在环境依赖和路径配置上代码逻辑本身反而比较简单。6. 最佳实践与工程建议6.1 音频生成要异步化和缓存对于一次助眠请求TTS 合成通常需要几秒时间。生产环境中不要把每次请求都重复生成相同的音频建议引入缓存层以“文案 音色 语速”作为缓存 Key。如果用户请求的文案和参数相同直接返回缓存中的音频 URL既能减少响应时间也能降低对在线 TTS 服务的调用压力。异步化同样重要。FastAPI 可以配合 Celery 或 Redis 队列把音频生成任务放到后台执行调用方先用轮询或者 WebSocket 获取结果。这样即使遇到高峰期也不会阻塞 API 服务。6.2 音频文件用流式播放不要整包下载助眠音频时长可能达到 30 分钟甚至更长如果直接返回大文件 URL播放端会一次性下载整个文件浪费流量而且启动慢。更好的做法是把音频转成适合流式传输的格式或者使用 HLS 切片让播放端按需加载。对车机端来说还要考虑网络切换场景流式播放能有效减少卡顿。6.3 乘客隐私需要严格保护语音识别模块会涉及乘客声音数据属于敏感个人信息。在车内场景采集音频前必须获得乘客的明确授权识别后的文本数据不要明文存储更不要随意上传到第三方平台。推荐的做法是本地离线识别只在设备端完成语音转文字原始录音及时删除。这样既能满足功能需求也能降低隐私合规风险。6.4 安全驾驶边界必须明确“司机秒变助眠医生”只是一个体验层面的说法绝对不能鼓励司机在行车过程中分心操作手机或中控屏幕。实际产品设计时应使用免唤醒语音指令或者要求司机在安全停车状态下开启助眠服务。如果系统识别到车辆正在高速行驶应该限制部分需要手动点击的操作保障行车安全。6.5 内容不能替代医疗建议助眠音频属于放松类内容并非医疗产品。在界面和文案中应避免出现“治疗失眠”“治愈焦虑”之类的表述也不要在用户反馈“长期失眠”时给出医疗建议。比较稳妥的做法是放一条免责声明并在产品内提示用户如果存在严重睡眠障碍应尽早咨询专业医生。6.6 模块化设计便于后续替换本文把 TTS、音频合成、语音识别拆成了独立模块这样做的目的是方便替换。比如后面想接入更好的商业 TTS 引擎只需要修改tts_module.py内部实现对外接口保持不变想加入真实下雨声素材只需要扩展audio_synth.py。这种设计对项目长期维护非常重要。更进一步还可以接入大模型来生成助眠文案。比如让大模型根据用户输入的“我今天加班到很晚”自动生成一段个性化的放松引导语再把文案交给 TTS 模块合成语音整个服务就会从“播放固定音频”升级为“实时定制助眠内容”。7. 总结与下一步学习方向从“网约车司机秒变助眠医生”这个现象出发本文完整搭建了一个 AI 语音助眠服务端用 edge-tts 生成温柔中文语音用 numpy 生成白噪音和呼吸引导音用 Vosk 做离线语音识别最后用 FastAPI 把能力封装成 HTTP 接口。整个项目代码量不大但覆盖了语音合成、音频生成、语音识别、API 服务四条完整链路适合作为语音类项目的入门练手。接下来可以往几个方向深入一是优化助眠音频素材用真实录音替换程序合成音提升听感二是接入大模型实现助眠文案的个性化生成三是完善播放端体验比如音频流式加载、播放进度记忆、定时关闭四是把语音识别整合进主流程让乘客可以用语音控制“继续播放”或“切换模式”。如果你也想做一个类似的 AI 语音助眠服务不妨先从本文的模块开始动手改造。代码跑通以后再逐步加入业务逻辑和部署配置就会离一个真正可以上线的语音产品越来越近。