Fubuki Iot是一款开源的物联网智能终端，类似于市面上的天猫精灵，小爱同学等。它可以监听智能家居的消息，也可以根据用户语音向智能家居 发送消息，从而实现家居智能化。与市面上各种终端相比，它具有以下优点：
- 定制化程度更高：用户可以自己实现对家居的控制，甚至对原有的家居电器改造
- 安全性更好：由于可以部署在本地局域网上，因此个人信息不会被上传到外网
- 效率更高：通过MQTT协议完成设备之间的交流，不需要复杂的流程
经过测试，本框架可以很好的支持Windows系统和树莓派（Linux）系统。
pip install fubuki-iot首先在终端执行以下命令：
git clone git@github.com:littlebutt/fubuki-iot.git然后进入根目录，执行以下命令安装fubuki-iot包
python setup.py install同样像方案三中下载项目到本地，然后执行以下命令
docker build -t fubuki-iot:latest .
docker run -it fubuki-iot:latest /bin/bash就可以进入到容器内部了
本项目内置了 百度云 的语音合成和语音识别的功能，因此使用之前需要免费申请百度云账号， 点击 这里 申请。申请之后开通"产品"-"人工智能"-"语音技术"的服务。 当然，您也可以用开源方案自己训练模型替代内置的语音功能，具体见 进阶功能 。
1.创建资源目录
首先创建一个Python工程 demo ，并在根目录下创建一个目录命名为resources
2.创建.env文件
在新建的工程下创建一个.env配置文件，其内容参考如下：
ENVIRONMENT=dev
RESOURCE_PATH=刚才创建的resources目录，结尾不要加“/”
BAIDU_ACCESS_TOKEN=百度云API的token，可以留空
BAIDU_API_KEY=申请的百度云的AK
BAIDU_SECRET_KEY=申请的百度云的密钥
3.创建主程序
在根目录下创建文件 app.py，并写入以下内容
from iot import Terminal
Terminal.run()运行即可启动
目前主流的物联网信息交换都采用 MQTT协议 ，因此要实现控制智能设备需要部署MQTT 服务器。本项目建议使用 EMQX 服务器，具体安装和部署方法点击 这里 。
若要完整的实现对硬件设备的控制可以参考 相关资料 。
1.对话
运行智能终端后，按下键盘上的f可以进行录音。对着麦克风说出“在吗”、“你好”后，智能终端会回应“在的”。
2.控制开关和电灯
运行智能终端，按下键盘上的f后对着麦克风说出“打开开关”，然后它会向MQTT服务器的default/switch Topic发送以下信息：
{
"switch": "on"
}同样，对着麦克风说出“关闭开关”后，它会向MQTT服务器的default/switch Topic发送以下信息：
{
"switch": "off"
}具体效果需要由订阅了 default/switch Topic的智能设备实现。
此外，运行智能终端，按下键盘上的f后对着麦克风说出“打开卧室/客厅/餐厅灯”也会向MQTT服务器的default/light Topic发送以下信息：
{
"position": "bedroom/livingroom/dinningroom"
}3.接受按钮信息
运行终端，当由设备向MQTT服务器的 self/button 发送如下消息后，终端会说“有人按下了按钮”。
{
"topic":"self/button",
"device":"button",
"verbose":"false",
"message":"有人按下了按钮"
}1.自定义语音功能
语音功能可以理解为用户和智能终端进行对话，类似于机器人的对话功能。这种功能一般不涉及硬件。在天猫精灵中， 就内置了提醒助手、墨迹天气等语音功能。
首先在自己创建的Python项目的根目录中创建一个包（package）命名为 models ，在这个包中创建一个python文件 acoustics.py，
在文件中定义一个语义模型：
from iot import SemanticsGroup, SemanticsModel, SemanticsRedirectEnum, SemanticsFromEnum, SemanticsFunc
@SemanticsGroup.add_model
class MySemanticsModel(SemanticsModel):
code = 'hello' # 语义模型的标识，自定义
frm = SemanticsFromEnum.USER # 语义模型的来源，这里是接受用户的语音命令，所以是USER
topic = '' # 由于不涉及发布消息，所以这个字段用不到，留空就行
regex = "(.*)后提醒我(.*)" # 匹配用户语音命令的正则表达式，比如这里是一个有关提醒的命令
regex_num = 3 # 上述表达式匹配后的分组（group）的数量，第一个为用户命令全量文本，第二个是“后”前面的文本，第三个是“我”后面的文本
redirect = SemanticsRedirectEnum.ACOUSTICS # 语义处理好后的重定向，由于不需要发送消息等后续操作，所以这里是直接语音返回
func: SemanticsFunc = my_semantics_model_func # 处理用户命令的回调函数在上面的语义模型中，最后一个字段是一个 SemanticsFunc 实例，它是一个返回 FunctionDeviceModel 或者 UniverseNoticeModel 的方法
因此，需要这样定义：
from typing import Union
from iot import UniverseNoticeModel, FunctionDeviceModel
def my_semantics_model_func(*args) -> Union[FunctionDeviceModel, UniverseNoticeModel]:
time = args[1] # 获取时间
content = args[2] # 获取提醒内容
# 处理提醒命令，可以借助其他API实现
return FunctionDeviceModel( # 最后返回一个功能设备模型
smt_code='hello', # 对应的语义模型标识
is_raw=True, # 是否为纯文本
acoustics=f"好的，我会在{time}后提醒你{content}", # 返回给用户的语音内容
data="" # 由于是纯文本，所以这个字段用不到
)定义好以后需要在 app.py 中加入一行：
from iot import Terminal
Terminal.load_models('demo.models')
Terminal.run()2.自定义设备功能
智能终端最大的优势就是可以通过语音控制智能家居。同样，需要定义一个语义模型实现这个功能：
from typing import Union
from iot import SemanticsGroup, SemanticsModel, SemanticsRedirectEnum, SemanticsFromEnum, SemanticsFunc, UniverseNoticeModel, FunctionDeviceModel
def curtain_semantics_model_func(*args) -> Union[FunctionDeviceModel, UniverseNoticeModel]:
return FunctionDeviceModel(
smt_code="hi",
topic="default/curtain", # 发送的Topic，其实后续会被语义模型的Topic覆盖
is_raw=False, # 不再是纯文本返回了
acoustics="好的，正在为你打开窗帘", # 返回给用户的提示信息
data={ # 发送的数据
'state': 'on'
}
)
@SemanticsGroup.add_model
class SwitchOnSemanticsModel(SemanticsModel):
code = "hi"
frm = SemanticsFromEnum.USER
topic = 'default/curtain'
regex = "打开窗帘"
regex_num = 1
redirect = SemanticsRedirectEnum.MESSAGE # 重定向给消息，因为需要发送MQTT消息
func: SemanticsFunc = curtain_semantics_model_func具体怎么消费这个MQTT消息，即硬件设备如何处理则需要改造硬件，具体参考 相关资料 。
3.自定义消息推送
和之前一样，也需要定义一个语义模型：
from typing import Optional
from iot import SemanticsGroup, SemanticsModel, SemanticsRedirectEnum, SemanticsFromEnum, SemanticsFunc, UniverseNoticeModel
def button_semantics_model_func(model) -> UniverseNoticeModel:
#处理设备推送的统一推送模型
return UniverseNoticeModel( # 这次返回的是统一推送模型
smt_code='hei',
topic='self/weather', # topic，被用来检索语义模型的
device='remote_server', # 设备来源
verbose=False, # 是否多语，这里只需要通知以下用户所以选择False
message="天气播报：短期将有大量降雨" # 返回给用户的信息
)
@SemanticsGroup.add_model
class ButtonSemanticsModel(SemanticsModel):
code = "hei"
frm = SemanticsFromEnum.DEVICE # 来自设备
topic = 'self/weather'
regex: Optional[str] = None
regex_num: Optional[str] = None
redirect = SemanticsRedirectEnum.ACOUSTICS #直接返回
func: SemanticsFunc = button_semantics_model_func至此，可以实现一个简单的物联网终端！
如果您对上述基本功能还不满足，可以试一下进阶功能。
1.语音唤醒功能
像主流的智能终端一样，本项目也可已开启语音唤醒功能。该功能是通过内置的 Pocketsphinx 实现的，因此需要安装其依赖，包括swig，C语言环境等，具体可以查看相关文档。
成功安装好依赖后将 .env 文件添加以下两行：
TERMINAL_MODE=0
DEVICE_REC=PocketsphinxRecorder
再次启动程序可以通过对它说hello或者hi唤醒。
2.生命周期和钩子函数
本智能终端在运行时分为以下几个阶段，在不同的阶段可以调用不同的钩子函数实现流程定制化：
___________________________________循环______________________________________
| |
|加载用户模型| -> |加载上下文| -> |执行启动钩子| -> |监听用户/设备请求| -> |执行前置语义处理钩子| -> |处理请求| -> |执行后置语义处理钩子| ->|转发请求| -> |执行卸载钩子| -> |卸载|
| |
|——————————————————————————————————循环——————————————————————————————————————|
从上图可以看出，一共有四个钩子函数，分别是 OnStartUpHook、 OnModelPreprocessHook 、 OnModelPostprocessHook 和 OnTearDown。可以通过以下方法编写钩子函数：
from iot import HooksGroup
@HooksGroup.on_start_up
def start_up(context, semantics_group):
...
@HooksGroup.on_tear_down
def tear_down(context, semantics_group):
...
@HooksGroup.on_model_preprocess
def model_preprocess(context, function_device_model):
...
@HooksGroup.on_model_postprocess
def model_postprocess(context, function_device_model):
...钩子函数可以获取到执行阶段的上下文，包括各种处理器信息和配置信息。此外，启动钩子 和 卸载钩子 可以获取语义处理模型的集合而 前置语义处理钩子 和 后置语义处理钩子 可以获取到语义模型。
3.自定义设备和语音处理器
本智能终端的设备（麦克风和扬声器）都是用的Windows默认的，如果要用在树莓派或者其他环境则需要自定义设备，包括麦克风（Recorder）和扬声器（Player）。
首先实现对应的类：
from iot import RecorderFactory, Recorder
@RecorderFactory.set
class MyRecorder(Recorder): # 继承Recorder类，并加上注解
def awake(self) -> bool: # 实现awake方法，这个方法必须是个阻塞的方法，返回True则开始录音，返回False则推出程序
...
def record(self, time: int) -> str: # 录音，time为录音时长，返回录音后保存的路径
...然后在 .env 文件中修改默认的麦克风设备:
DEVICE_REC=MyRecorder
同样，扬声器也是这样的步骤：
from iot import PlayerFactory, Player
@PlayerFactory.set
class MyPlayer(Player):
def play(self, path: str) -> None: # path为存储语音文本的txt文件路径
...然后更改 .env 文件
DEVICE_PLY=MyPlayer
您也可以修改默认的语音处理器，包括语音识别（AsrProcessor）和语音合成（TtsProcessor），方法也是一样的。
from iot import AsrProcessorFactory, AsrProcessor
from typing import Optional
@AsrProcessorFactory.set
class MyAsrProcessor(AsrProcessor):
def asr(self, path: str) -> Optional[str]: # path为音频文件（一般为wav）的路径，返回语音文字，如果为None则说明处理失败
....env 文件
ASR_PROCESSOR=MyAsrProcessor
语音合成可以这样修改：
from iot import TtsProcessorFactory, TtsProcessor
@TtsProcessorFactory.set
class MyTtsProcessor(TtsProcessor):
def tts(self, text: str) -> str: # text为需要被合成的文字，返回合成后的音频文件路径
....env 文件
TTS_PROCESSOR=MyTtsProcessor
1.语音追问功能
2.音频等流媒体的播放
3.语义模型的order