基于书生系列大模型，社区用户不断创造出令人耳目一新的项目，从灵感萌发到落地实践，每一个都充满智慧与价值。“与书生共创”将陆续推出一系列文章，分享这些项目背后的故事与经验。欢迎订阅并积极投稿，一起分享经验与成果，推动大模型技术的普及与进步。

本文来自社区投稿，作者Alannikos，书生大模型实战营学员。本文将向大家介绍孵化于书生大模型实战营的项目 ，基于 InternLM 的情感调节大师 FunGPT。

1.项目介绍

在这个快节奏的世界里，我们需要一点调味剂来调和生活。无论是需要一点甜言蜜语来提振精神，还是需要一剂犀利怼语来释放压力，FunGPT 都能满足您的需求。FunGPT 基于 InternLM2.5 系列大模型，利用 XTuner 进行QLoRA指令微调，使模型能够满足用户的个性化要求。同时为了方便用户，我们还发布了 1.8B 系列小模型，减量不减效果；此外，我们还利用 LMDeploy 对多个模型使用感知权重量化（AWQ）算法进行W4A16量化，既节省显存又提升推理速度！

🍬 甜言蜜语模式：

• 心情提升器🌟✨：当您感到低落，我们的甜言蜜语模式能让您的心情瞬间飙升，就像尝了一颗超级甜的蜜糖。
• 自信加油站💪🌈：同时我们的赞师傅会用合适且独特的方式夸奖您，让您的自信心爆棚。

🔪 犀利怼语模式：

• 压力释放阀：当您感到压力山大，我们的怼人模式能让您在怼人的同时，找到释放的出口。
• 幽默吐槽机😂👅：怼师傅的言语不仅犀利，而且幽默风趣，在怼人的过程中，您还能体会到脑洞大开的怼人方式。

项目地址：

https://github.com/Alannikos/FunGPT

视频地址：

https://www.bilibili.com/video/BV1EGBYYtEMA/

InternLM GitHub：

https://github.com/InternLM/InternLM

LMDeploy GitHub

https://github.com/InternLM/lmdeploy

XTuner GitHub：

https://github.com/InternLM/xtuner

项目架构图

2.技术方法

数据生成

在大模型微调过程中，我们可以借助许多方法进行有监督微调（SFT），不论是通过原生的 LoRA 微调等技术，还是通过封装好的工具，比如 XTuner，我们都需要准备高质量的微调数据。但是通过人工手动标注数据的成本较高，对于大部分个人开发者来说，效率比较低下，本项目的方案就是采用大模型 API 来生成我们所需要的多轮对话数据集，例如使用 InternLM 等（现阶段可直接使用 EDG4LLM 工具，该工具内置 InternLM 等主流模型API），这样的方式简单且易于控制。通常来说，生成的数据集还是能够达到较好的微调效果。

LLM 使用

大语言模型是本项目的核心组件，我们选用了开源的 InternLM2.5 系列作为基础模型。InternLM2.5 具有强大的理解和生成能力，支持长上下文窗口，并且具有较好的中文理解能力。详细的使用方法请参考 https://github.com/Alannikos/FunGPT/blob/main/LLM/models/internlm2_5_7b_chat.py

在本项目中，LLM主要负责对用户输入进行理解和回复生成，同时还需要处理多模态输入，并与ASR和TTS模块进行协同工作。

ASR 使用

语音识别模块采用了开源的 SenseVoice 模型，该模型具有优秀的多语言语音识别能力，支持中英文等多语言识别，准确率较高，且能够较好地处理背景噪声。具体的部署和使用说明请查看https://github.com/Alannikos/FunGPT/blob/main/ASR/models/sensevoice.py

在实际应用中，ASR 模块负责将用户的语音输入转换为文本，并传递给 LLM 进行处理。我们提供了流式识别接口，也支持实时语音转写。

TTS 使用

语音合成模块使用了开源的 ChatTTS 模型，该模型能够生成自然流畅的语音。支持多说话人合成，并且可以调节语速和音色等参数。详细的配置和使用方法请参考https://github.com/Alannikos/FunGPT/blob/main/TTS/models/chattts.py

TTS 模块主要负责将 LLM 生成的文本转换为语音输出，支持批量合成模式。我们还提供了情感控制接口，可以根据文本内容自动调整语气和语调，使输出更加自然。

模型微调

为了适应特定场景的需求，我们提供了完整的模型微调流程。本项目主要采用了XTuner提供的QLoRA参数微调方法，该工具提供了友好的配置模板和完善的训练监控。具体的微调流程和参数设置请参考https://github.com/Alannikos/FunGPT/blob/main/Finetune/BoostBot/scripts/internlm2_5_chat_7b_qlora_alpaca_e3_copy.py

微调支持指令对齐、多轮对话等多种任务类型。我们提供了预处理脚本来转换数据格式，同时XTuner也支持增量训练，可以在已有模型基础上继续优化。

模型量化

为了在有限的计算资源下部署大模型，量化是一个重要的优化手段。我们使用 LMDeploy 进行模型量化，在保持模型性能的同时减少显存占用，详细的量化流程请参考 https://github.com/InternLM/lmdeploy

量化完成后，可以通过 LMDeploy 的 Benchmark 进行效果对比，同时 LMDeploy 还提供了不同量化策略的性能对比数据，帮助用户选择最适合的量化方案。

3.快速使用

3.1 部署环境

• 操作系统：Ubuntu 20.04.6 LTS
• CPU：Intel® Xeon® Platinum 8369B CPU @ 2.90GHz（在线 GPU 服务器）
• 显卡：NVIDIA A100-SXM4-80GB， NVIDIA-SMI 535.54.03，Driver Version: 535.54.03，CUDA Version: 12.2
• Python: 3.10.0

3.2 关键依赖信息

Python==3.10.0
torch==2.4.1
torch-complex==0.4.4
torchaudio==2.4.1
torchvision==0.16.2
chattts==0.1.1
streamlit==1.38.0
audio-recorder-streamlit==0.0.10

3.3 部署步骤

Clone 代码或者手动下载代码放置服务器：

git clone https://github.com/Alannikos/FunGPT

配置 Python 环境(推荐使用 conda)

• 进入项目的根目录

cd FunGPT

• 创建conda环境

conda create -n FunGPT python==3.10.0

• 安装第三方库

pip install -r requirements.txt# 大概需要1h左右

下载模型

TTS 模型（若使用则必选）

• git-lfs 安装 由于涉及到模型文件的下载，首先需要保证 git-lfs 已经成功安装。对于 Linux 用户来说，可按照下面的命令安装：

apt install git-lfs

• 启动LFS

git lfs install

• 下载 TTS 模型到指定路径

# 1. 进入指定目录
cd /FunGPT/TTS/weights# 2. 从huggingface下载模型
git clone https://huggingface.co/2Noise/ChatTTS

• 无法访问 HuggingFace 用户，可从镜像源下载

# 2. 从镜像源下载模型
git clone https://hf-mirror.com/2Noise/ChatTTS

ASR 模型（若使用则必选）

由于涉及到模型文件的下载，首先需要保证 git-lfs 已经成功安装。对于 Linux 用户来说，可按照下面的命令安装：

# 已下载用户可忽略此条命令
apt install git-lfs

• 启动 LFS

git lfs install

• 下载 TTS 模型到指定路径

# 1. 进入指定目录
cd /FunGPT/ASR/weights# 2. 从huggingface下载模型
git clone https://huggingface.co/FunAudioLLM/SenseVoiceSmall

• 无法访问 HuggingFace 用户，可从镜像源下载

# 2. 从镜像源下载模型
git clone https://hf-mirror.com/FunAudioLLM/SenseVoiceSmall

LLM 模型（必选）

对于 LLM 模型的选择，我们提供了多个选择，效果最佳的模型为 BanterBot-7b-chat 和 BoostBot-7b-chat，其次量化的模型效果也非常不错；此处为了节约下载时间，我们选择了这两个 1_8B 模型: BanterBot-1_8b-chat 和 BoostBot-1_8b-chat 来作为示例，大家可以按照需求自由进行替换即可。

• 启动LFS

git lfs install

• 下载 LLM 模型到指定路径

# 1. 进入指定目录
cd /FunGPT/LLM/weights# 2. 从huggingface下载BanterBot-1_8b-chat模型
https://huggingface.co/Alannikos768/BanterBot_1_8b-chat# 3. 从huggingface下载BoostBot-1_8b-chat模型
https://huggingface.co/Alannikos768/BoostBot_1_8b-chat

• 无法访问 HuggingFace用户，可从 OpenXLab 下载

# 2. 从OpenXLab下载BanterBot-1_8b-chat模型(国内用户)
git clone https://code.openxlab.org.cn/Alannikos/BanterBot-1_8b-chat.git# 3. 从OpenXLab下载BoostBot-1_8b-chat模型(国内用户)
git clone https://code.openxlab.org.cn/Alannikos/BoostBot-1_8b-chat.git

运行网页脚本

conda activate FunGPTstreamlit run app.py --server.address=127.0.0.1 --server.port=7860

3.4 模型体验

• 如果是在远程服务器上运行的，需要进行端口映射

ssh -p port user@ip -CNg -L 7860:127.0.0.1:7860 -o StrictHostKeyChecking=no

• 然后在体验应用 打开浏览器，输入http://127.0.0.1:7860，然后点击对应界面即可体验 FunGPT