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 sdk
from aip import aipspeech
import subprocess
import datetime
import sys
import os
import time
from pydub import audiosegment
import 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.argv
except:
 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_seconds
interval = 120 * 1000
maxloop = 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。