小程序实现语音识别转文字,坑路历程
最近为小程序增加语音识别转文字的功能,坑路不断,特此记录。
微信开发者工具
开发者工具上的录音文件与移动端格式不同,暂时只可在工具上进行播放调试,无法直接播放或者在客户端上播放
debug的时候发现,工具上录音的路径是http://tmp/xxx.mp3
,客户端上录音是wxfile://xxx.mp3
。 忽悠呢,不是格式不同,是映射路径不同。
其实做个兼容也不难,每次提示一行文字,很丑。
采样率与编码码率限制
每种采样率有对应的编码码率范围有效值,设置不合法的采样率或编码码率会导致录音失败。详细看这个
https://developers.weixin.qq.com/miniprogram/dev/api/media/recorder/recordermanager.start.html
一开始没有留意,导致录音不成功。
试过几次后,采用这样的配置,感觉录音识别率和体积之间比较好平衡:
1 |
samplerate: 16000, //采样率 |
单通道基本是必选的。因为asr只支持单通道。framesize也是可以的,但是要考虑截断对识别的影响。暂时没有用上。
录音优化
因为可能误按,于是对小于500ms的录音直接忽略。
另外,松开录音按键后,再延迟一点时间才真正stop录音。
录音文件格式
微信录音文件支持mp3和aac。这2种格式文件都比较小,aac文件体积更小。这对上传来说是件好事情,速度更快。
但是对语音识别转文字就不友好了。因为百度、阿里云asr、讯飞的语音转文字接口都不支持aac和mp3,通常要求是pcm或者wav格式。
如果微信录音能提供wav格式,那么就不用服务器做格式转换了,但是wav格式体积是mp3、aac的5到10倍,至少短期是没戏了,这也是很多人吐槽的地方。
服务器转换录音文件格式
可以用java第三方库转换,也可以用process调用ffmpeg转换。要注意的是,根据识别api的要求来做转换。比如阿里云asr的要求是:
支持音频编码格式:pcm(无压缩的pcm文件或wav文件)、opus,16bit采样位数的单声道(mono);
支持音频采样率:8000hz、16000hz;
java processbuilder要使用数组传参
转换音视频,习惯用ffmpeg。安装完ffmpeg之后,用java新建进程调用。
1 |
process = new processbuilder("ffmpeg -i in.mp3 out.wav").start(); |
一直提示createprocess error
。 后来看文档才发现,要以数组的形式传入参数。
1 |
process = new processbuilder("ffmpeg", "-y", "-i", "in.mp3", "out.wav").start(); |
这样就启动成功了。
关于java启动进程,不是本文重点,以后再写篇文章总结。
阿里云asr sdk使用问题
这个问题困扰了一天时间,回想起来真是吐血。
问题表现是微信录制的语音很多都识别不了。
最初是直接把录音mp3文件转换为pcm文件,本地能播放,但是用阿里云asr sdk却识别不了。 一开始以为是文件编码问题。特意查了asr支持的文件格式,用ffprobe检查,potplayer看属性,都没有看出问题。
甚至把启动ffmpeg进程转换也改了,用了java的库去做,还是不行。
后来为了方便测试问题,用asr的restful接口测试录音文件,都能识别! 似乎是sdk的问题。于是打开官方文档例子对比。发现用的是sdk 2.x,老铁啊你复制粘贴过来的代码竟然少了!欲哭无泪。
1 |
// todo 重要提示:这里是用读取本地文件的形式模拟实时获取语音流并发送的,因为read很快,所以这里需要sleep |
也少了对samplerate的设置。
阿里云asr token过期
因为用的是免费版asr,没有给福报厂充值,因此token一天失效,导致联调的时候突然报错。
最后实在受不了,写了个定时任务每小时更新token。
这,就是beggar vip
上一篇: 端午节吃什么传统食品?
下一篇: unity 一键应用多个预制体