python语音识别实践之百度语音API

百度语音对上传的语音要求目前必须是单声道，16K采样率，采样深度可以是16位或者8位的PCM编码。其他编码输出的语音识别不出来。

语音的处理技巧：

录制为MP3的语音（通常采样率为44100），要分两步才能正确处理。第一步：使用诸如GoldWave的软件，先保存为16K采样率的MP3；第二步，打开16K采样率的MP3，另存为Wav格式，参数选择PCM，单声道即可。

另外，也可以使用ffmpeg将MP3处理为PCM。后文的程序即采用这种方法。

由于PCM编码的语音没有压缩，文件体积与语音长度成正比。百度语音平台对语音的长度的限制未知。文件太大，网速不好的时候，容易出现”连接错误“的提示。因此，对时间较长的语音，应该将语音分割成多个序列，在分别进行识别。（目前按照等长分割）

以下代码，使用前，需要在baidu 开发者上申请相关的API ID, API Key, Secret Key，并以申请的参数代入到文件中。

# 引入Speech SDKfrom aip import AipSpeechimport subprocessimport datetimeimport sysimport osimport timefrom pydub import AudioSegmentimport math # 定义常量#APP_ID = '你的 App ID'APP_ID = '937****'#API_KEY = '你的 API Key'API_KEY = 'mOV9QaabNnkur0Aba15T****'#SECRET_KEY = '你的 Secret Key'SECRET_KEY = '097111374ad26d4ba00937c5e332****'# 初始化AipSpeech对象aipSpeech = AipSpeech(APP_ID, API_KEY, SECRET_KEY) # 文件处理def get_wave_filename(fileFullName): # MP3文件转换成wav文件 # 判断文件后缀，是mp3的，直接处理为16k采样率的wav文件； # 是wav的，判断文件的采样率，不是8k或者16k的，直接处理为16k的采样率的wav文件 # 其他情况，就直接返回AudioSegment直接处理 fileSufix = fileFullName[fileFullName.rfind('.')+1:] print(fileSufix) filePath = fileFullName[:fileFullName.find(os.sep)+1] print(filePath) if fileSufix.lower() == "mp3": wavFile = "wav_%s.wav" %datetime.datetime.now().strftime('%Y%m%d%H%M%S') wavFile = filePath + wavFile cmdLine = "ffmpeg -i \"%s\" -ar 16000 " %fileFullName cmdLine = cmdLine + "\"%s\"" %wavFile print(cmdLine) ret = subprocess.run(cmdLine) print("ret code:%i" %ret.returncode) return wavFile #if ret.returncode == 1: # return wavFile #else: # return None else: return fileFullName  #文件分片try: script, fileFullName = sys.argvexcept: print("参数 文件名 未指定!") exit() if not os.path.isfile(fileFullName): print("参数 %s 不是一个文件名" %fileFullName) exit() if not os.path.exists(fileFullName): print("参数 %s 指定的文件不存在" %fileFullName) exit() filePath = fileFullName[:fileFullName.find(os.sep)+1]# 文件处理为Wav，采样率16k的文件，返回文件名wavFile = get_wave_filename(fileFullName)print(wavFile)record = AudioSegment.from_wav(wavFile)if wavFile != fileFullName: time.sleep(1) os.remove(wavFile) recLen = record.duration_secondsinterval = 120 * 1000maxLoop = math.ceil(recLen*1000/float(interval))for n in range(0,math.ceil(recLen*1000/float(interval))): recSeg = record[n * interval : (n + 1)*interval] #print("Segment:%i,startat:%i,length:%i" %n,n*interval/1000,recSeg.duration_seconds) print(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S') + " >> Segment:" + str(n) +"/" + str(maxLoop)) segFile = filePath + "seg%s.wav" %("0"*7 + str(n))[-6:] # 把分段的语音信息保存为临时文件 file_handle = recSeg.export(segFile,format="wav",codec = "libvorbis") file_handle.close() # 读取分段的临时文件为字节 file_handle = open(segFile, 'rb') file_content = file_handle.read() file_handle.close() # 删除临时文件 os.remove(segFile) # 用百度API处理该语音 result=aipSpeech.asr(file_content, 'pcm', 16000, {'lan': 'zh'}) if result['err_no'] == 0: print(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S') + " >> " + result['result'][0]) else: print(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S') + " >> " + "err_no:" + str(result['err_no']))

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。