用语音命令管理数据库

我当时正在重温《哈利波特》系列，心里一直在想：老师和级长们到处给各个学院扣分！但是，他们会记录这么多班级的分数变化吗？数据完整性呢？可扩展性呢？写入冲突呢？他们肯定需要可扩展的东西，比如用于学院分数更新的发布-订阅系统。除了规模之外，语音识别必须有多好？

严肃地说，这让我开始思考——我们能用人工智能重现其中的一些吗？如果我们可以直接从语音转到 SQL 会怎么样？这就是我最终深入研究这个有趣的小实验的原因：使用 OpenAI 的 Whisper 进行转录，使用 Meta 的 Llama3 将文本转换为 SQL 查询，进行语音转 SQL。

这是我的方法，你也可以通过四个简单的步骤完成：

1、录制音频

我们通过使用简单的 Python 设置捕获音频来开始。使用 sounddevice库，我们直接从麦克风录制音频，然后将其临时保存为  .wav 文件以便稍后转录。

import sounddevice as sd
import tempfile
import wave

# Function to record audio from the microphone and save it as a WAV file
def record_audio(duration, sample_rate=16000):
    print("Recording...")
    audio_data = sd.rec(int(duration * sample_rate), samplerate=sample_rate, channels=1, dtype='float32')
    sd.wait()  # Wait for the recording to finish
    print("Recording finished.")
    
    # Save the audio to a temporary WAV file
    temp_wav = tempfile.NamedTemporaryFile(delete=False, suffix=".wav")
    with wave.open(temp_wav.name, 'wb') as wf:
        wf.setnchannels(1)  # Mono channel
        wf.setsampwidth(2)   # 16-bit audio
        wf.setframerate(sample_rate)
        wf.writeframes(np.int16(audio_data * 32767))  # Convert float32 to int16
    
    return temp_wav.name

一切从这里开始：一个简陋的语音命令准备转换成 SQL！

2、使用 Whisper 进行语音转文本

接下来，我们使用 OpenAI 的 Whisper 模型转录音频。此模型非常适合将语音转换为文本。这几乎就像拥有一个私人助理，可以听取你的命令并将其写下来 — 只是更加可靠和可扩展。

import whisper
import os

# Function to transcribe audio from the microphone using Whisper
def audio_to_text_from_mic(duration=5):
    # Record audio from the microphone
    audio_file = record_audio(duration)

    # Load Whisper model
    model = whisper.load_model("turbo")  # You can use "turbo", "small", etc.
    
    # Transcribe the recorded audio file
    result = model.transcribe(audio_file)

    # Delete the temporary audio file after transcription
    os.remove(audio_file)

    return result['text']

# Example usage
text = audio_to_text_from_mic(duration=3)  # Record for 5 seconds
print("Transcription:", text)

Transcription:  10 points to Gryffindor

你的自然语言命令现在以文本形式呈现，可以进行下一级别的转换。

3、使用 Llama 3 将文本转换为 SQL

现在，真正的魔法来了 — 将转录的文本转换为 SQL 命令。使用 Llama 3 模型，我们输入自然语言命令（“为 Gryffindor 加 10 分”）并输出有效的 SQL 查询。

我们首先构建一个提示，提供有关数据库架构的上下文。在我们的例子中， house_points 表有两列： house_name（房屋名称）和 points（当前总分）。提示清楚地解释了这种结构，并指示模型返回格式良好的 SQL UPDATE 查询，而无需不必要的解释。

以下是分步操作：

a) 定义表架构：我们提供表的结构，让模型清楚地了解它是什么样子。架构指定表包含 house_name 和 points。

 table_schemas = """
    house_points(house_name TEXT PRIMARY KEY, points INTEGER)
    """

b) 创建提示：我们生成一个提示，要求 Llama 3 将自然语言命令转换为 SQL UPDATE 查询。它明确要求仅使用查询以 JSON 格式响应，以确保输出干净且可用。

  prompt = f"""
    You are a SQL expert.
    
    Please help to convert the following natural language command into a valid UPDATE SQL query. Your response should ONLY be based on the given context and follow the response guidelines and format instructions.

    ===Tables
    {table_schemas}

    ===Response Guidelines
    1. If the provided context is sufficient, please generate a valid query WITHOUT any explanations for the question.
    2. Please format the query before responding.
    3. Please always respond with a valid well-formed JSON object with the following format
    4. There are only UPDATE queries and points are either added or deducted from a house

    ===Response Format
    {{
        "query": "A valid UPDATE SQL query when context is sufficient.",
    }}

    ===command
    {natural_language_text}
    """

c) 向 Llama 3 发送请求：然后使用 Ollama API 将文本发送到 LLM。模型处理请求并返回带有 SQL 查询的 JSON 对象。我们解析模型的 JSON 响应以提取 SQL 查询。如果出现问题（例如解析响应失败），则会返回错误。这确保了代码的稳健性。

import ollama
import json

response = ollama.chat(
            model="llama3",
            messages=[{"role": "user", "content": prompt}]
        )
# Directly return the content as it should now be only the SQL query
# Parse the JSON response and return the SQL query if provided
response_content = response['message']['content']
# Directly return the content as it should now be only the SQL query
    # Parse the JSON response and return the SQL query if provided
    response_content = response['message']['content']
    
    try:
        response_json = json.loads(response_content)
        if "query" in response_json:
            return response_json["query"]
        else:
            return f"Error: {response_json.get('explanation', 'No explanation provided.')}"
    except json.JSONDecodeError:
        return "Error: Failed to parse response as JSON."

这样，你的“格兰芬多加 10 分”就变成了这样的 SQL 查询：

UPDATE house_points SET points = points + 10 WHERE house_name = 'Gryffindor';

3、运行 SQL 查询

最后，我们获取生成的 SQL 查询并在数据库上执行它以更新学院分数。但在深入执行查询之前，让我们确保初始设置已到位。

首先，你需要一个表来跟踪每个霍格沃茨学院的分数。以下是完成这项工作的简单表结构：

CREATE TABLE house_points (
  house_name VARCHAR(50) PRIMARY KEY,
  points INT
);

现在，将每栋房子的初始分数填入表格中。以下是一条快速 SQL 命令，可让每栋房子从 100 分开始：

INSERT INTO house_points (house_name, points)
VALUES ('Gryffindor', 100), ('Hufflepuff', 100), ('Ravenclaw', 100), ('Slytherin', 100);

数据库准备就绪后，您需要建立连接以运行查询。使用 SQLAlchemy 可使此操作变得非常简单。设置连接的方法如下：

from sqlalchemy import create_engine, text

engine = create_engine('postgresql://db_user:db_password@localhost/db_name')
def run_sql_query(query):
    with engine.connect() as conn:
        conn.execute(text(query))
        conn.commit()

将 “db_user”、“db_password”和“db_name”替换为您的实际 PostgreSQL 凭据和数据库名称。

此函数获取由我们的语音转 SQL 脚本生成的 SQL 查询并在你的数据库上执行它。每次新的语音命令更新积分时，此函数都会运行相应的 SQL 并提交更改，确保实时更新学院积分表。

你刚刚通过语音命令更新了您的霍格沃茨学院积分——这太神奇了？

5、在 Streamlit 中将所有内容整合在一起

为了使你的项目更加用户友好，为什么不将整个解决方案包装到 Web 应用程序中？

使用 Streamlit，你可以构建一个交互式界面，用户可以在其中记录他们的语音命令，查看学院积分的实时更新，并查看学院徽标等视觉效果。

我已经在我的 Github 存储库中包含了完整的代码，你可以查看并自定义以满足你的需求。

6、结束语

只需几行代码，你就构建了一个语音驱动的 SQL 执行器。非常适合那些你内心的麦格教授，巧妙扣分的时刻。因此，无论你是管理霍格沃茨还是任何数据集，语音转 SQL 可能正是你节省时间所需的咒语。

原文链接：Speech-To-SQL Using OpenAI’s Whisper and Ollama (Llama3)

汇智网翻译整理，转载请标明出处