本发明涉及医疗问诊系统，特别涉及一种基于llm的实时ai智能问诊系统。
背景技术：
1、目前，ai智能问诊系统实现的具体方案有：1.采用第三方云端llm进行文字对话，2.采用cnn算法进行专业训练引导，实现实时对话。
2、但是，方案1采用第三方llm模型，并且需要互联网支持，这极大地影响了ai的响应速度与用户的使用场景，并且对ai功能的支持也受制于云端模型，交互性较差。方案2采用卷积神经网络进行ai训练，这种算法降低了ai的可引导性，使得每一个对话场景都需要单独训练ai模型，极大地增加了ai的训练成本。
3、因此，综上所述，现有技术方案均无法有效的保证ai的实时性与丰富的交互性。
技术实现思路
1、本发明的主要目的在于提供一种基于llm的实时ai智能问诊系统，可以有效解决背景技术中的问题。
2、为实现上述目的，本发明采取的技术方案为：
3、一种基于llm的实时ai智能问诊系统，一种基于llm的实时ai智能问诊系统，其特征在于：包括a单元、b单元、c单元和d单元，所述d单元为3d模拟程序，所述b单元包括stt语音识别和tts文转音，所述a单元为本地大语言模型，所述c单元为prompt数据库。
4、进一步的，3d模拟程序，将展现真实的医院场景，用户启用pc设备麦克风后可自由问诊，也可读取单元c的prompt模拟特定病例问诊，场景程序将通过http://127.0.0.1:9880与单元b的ai语音模型进行通信，得到分析结果的字节流后，通过http://127.0.0.1:11434与单元a的本地大语言模型进行通信，通过大语言模型分析后得到的字节流将传回单元b的ai语音模型，得到最终音频输出给3d模拟程序，模拟程序完成人物语音、动作和表情反馈，完成整个问答过程，整个过程操作简单，并且得益于语言大模型部署于本地，整个问答过程响应时间仅为500ms左右，获得了实时的问答体验。
5、进一步的，stt语音识别和tts文转音，在本地pc安装本发明提供的基于transfomer架构与rvc(rate-distortion optimization)技术的stt(语音识别)和tts(文字转音频)ai语音模型，确保本地9880端口未被占用，该ai语音模型基于transfomer架构，融合了rvc技术，通过深度学习模型识别包括梅尔频率倒谱系数(mfcc)、梅尔频率倒谱系数变异(mfcc-delta)、梅尔频率倒谱系数加速度(mfcc-acceleration)等声学特征来识别语音；通过深度学习模型根据文本生成语音，并且通过信噪比(signal-to-noise ratio,snr)进行速率失真优化，达到模型最小失真。
6、进一步的，大语言模型，是在本地pc安装本发明提供的基于gpt(generative pre-trained transformer)架构的大语言模型，运行大语言模型，确保11434接口未被占用。该模型采用transformer架构，包含位置编码，自注意力机制，多头注意力，前馈神经网络，残差连接，层归一化等技术，该模型经过大数据引导训练，仅需少量prompt(文本引导)引导即可完成医学问诊场景模拟。
7、进一步的，prompt数据库，用于存储医学病例的引导文本，用于实现特定病例问诊的正确引导。
8、与现有技术相比，本发明具有如下有益效果：
9、本发明中，可以通过计算机图形技术，让用户置身于医院场景中，并与ai病人进行问诊交互。同时，本发明采用基于本地大语言模型的ai技术，兼具语音识别与文转音功能，能够快速准确地理解用户口述的问题，并给出相应的语音回答，实现实时人机对话，提高了医疗问诊的准确性和效率。并且，基于llm的ai可引导性强，能够轻松模拟各种医疗问诊场景。
1.一种基于llm的实时ai智能问诊系统，其特征在于：包括a单元、b单元、c单元和d单元，所述d单元为3d模拟程序，所述b单元包括stt语音识别和tts文转音，所述a单元为本地大语言模型，所述c单元为prompt数据库。
2.根据权利要求1所述的一种基于llm的实时ai智能问诊系统，其特征在于：3d模拟程序，将展现真实的医院场景，用户启用pc设备麦克风后可自由问诊，也可读取单元c的prompt模拟特定病例问诊，场景程序将通过http://127.0.0.1:9880与单元b的ai语音模型进行通信，得到分析结果的字节流后，通过http://127.0.0.1:11434与单元a的本地大语言模型进行通信，通过大语言模型分析后得到的字节流将传回单元b的ai语音模型，得到最终音频输出给3d模拟程序，模拟程序完成人物语音、动作和表情反馈，完成整个问答过程，整个过程操作简单，并且得益于语言大模型部署于本地，整个问答过程响应时间仅为500ms左右，获得了实时的问答体验。
3.根据权利要求1所述的一种基于llm的实时ai智能问诊系统，其特征在于：stt语音识别和tts文转音，在本地pc安装本发明提供的基于transfomer架构与rvc(rate-distortionoptimization)技术的stt(语音识别)和tts(文字转音频)ai语音模型，确保本地9880端口未被占用，该ai语音模型基于transfomer架构，融合了rvc技术，通过深度学习模型识别包括梅尔频率倒谱系数(mfcc)、梅尔频率倒谱系数变异(mfcc-delta)、梅尔频率倒谱系数加速度(mfcc-acceleration)等声学特征来识别语音；通过深度学习模型根据文本生成语音，并且通过信噪比(signal-to-noise ratio,snr)进行速率失真优化，达到模型最小失真。
4.根据权利要求1所述的一种基于llm的实时ai智能问诊系统，其特征在于：大语言模型，是在本地pc安装本发明提供的基于gpt(generative pre-trained transformer)架构的大语言模型，运行大语言模型，确保11434接口未被占用。该模型采用transformer架构，包含位置编码，自注意力机制，多头注意力，前馈神经网络，残差连接，层归一化等技术，该模型经过大数据引导训练，仅需少量prompt(文本引导)引导即可完成医学问诊场景模拟。
5.根据权利要求1所述的一种基于llm的实时ai智能问诊系统，其特征在于：prompt数据库，用于存储医学病例的引导文本，用于实现特定病例问诊的正确引导。
