基于百度短语音API的语音识别实现
- 一. 前言
- 二. API介绍
-
- 三. 执行代码
- 四. 总结
一. 前言
语音识别是一门交叉学科。近二十年来,语音识别技术取得显著进步,开始从实验室走向市场。人们预计,未来10年内,语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。 语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多专家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术之一。 语音识别技术所涉及的领域包括:信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。
二. API介绍
2.1 简介
百度短语音识别可以将 60 秒以下的音频识别为文字。适用于语音对话、语音控制、语音输入等场景。
- 接口类型:通过 REST API 的方式提供的通用的 HTTP 接口。适用于任意操作系统,任意编程语言
- 接口限制:需要上传完整的录音文件,录音文件时长不超过 60 秒。浏览器由于无法跨域请求百度语音服务器的域名,因此无法直接调用API接口。
- 支持音频格式:pcm、wav、amr、m4a
- 音频编码要求:采样率 16000、8000(仅支持普通话模型),16 bit 位深,单声道(音频格式查看及转换)
2.2 API的调用流程
- 创建账号及应用: 在 ai.baidu.com 控制台中,创建应用,勾选开通 ”语音技术“-”短语音识别、短语音识别极速版“ 能力。获取AppID、API Key、Secret Key,并通过请求鉴权接口换取 token ,详细见 “接入指南”。
- 创建识别请求: POST 方式,音频可通过 JSON 和 RAW 两种方式提交。JSON 方式音频数据由于 base64 编码,数据会增大1/3。其他填写具体请求参数 ,详见 ”请求说明“。
- 短语音识别请求地址: http://vop.baidu.com/server_api
- 返回识别结果:识别结果会即刻返回,采用 JSON 格式封装,如果识别成功,识别结果放在 JSON 的 “result” 字段中,统一采用 utf-8 方式编码。详见 ”返回说明“。
三. 执行代码
import wave
import requests
import time
import base64
from pyaudio import PyAudio, paInt16
framerate = 16000
num_samples = 2000
channels = 1
sampwidth = 2
FILEPATH = 'audio_frequency.wav'
base_url = "https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=%s&client_secret=%s"
APIKey = ""
SecretKey = ""
HOST = base_url % (APIKey, SecretKey)
def getToken(host):
res = requests.post(host)
return res.json()['access_token']
def save_wave_file(filepath, data):
wf = wave.open(filepath, 'wb')
wf.setnchannels(channels)
wf.setsampwidth(sampwidth)
wf.setframerate(framerate)
wf.writeframes(b''.join(data))
wf.close()
def my_record():
pa = PyAudio()
stream = pa.open(format=paInt16, channels=channels,
rate=framerate, input=True, frames_per_buffer=num_samples)
my_buf = []
t = time.time()
print('环境搭建中...')
print('环境搭建完毕,正在录音...')
while time.time() < t + 4:
string_audio_data = stream.read(num_samples)
my_buf.append(string_audio_data)
print('录音结束.')
save_wave_file(FILEPATH, my_buf)
stream.close()
def get_audio(file):
with open(file, 'rb') as f:
data = f.read()
return data
def speech2text(speech_data, token, dev_pid=1537):
FORMAT = 'wav'
RATE = '16000'
CHANNEL = 1
CUID = '*******'
SPEECH = base64.b64encode(speech_data).decode('utf-8')
data = {
'format': FORMAT,
'rate': RATE,
'channel': CHANNEL,
'cuid': CUID,
'len': len(speech_data),
'speech': SPEECH,
'token': token,
'dev_pid': dev_pid
}
url = 'https://vop.baidu.com/server_api'
headers = {'Content-Type': 'application/json'}
print('正在进行语音识别...')
r = requests.post(url, json=data, headers=headers)
Result = r.json()
if 'result' in Result:
return Result['result'][0],r
else:
return Result
if __name__ == '__main__':
flag = 'y'
while flag.lower() == 'y':
my_record()
TOKEN = getToken(HOST)
speech = get_audio(FILEPATH)
result,r = speech2text(speech, TOKEN)
print('语音识别结果:',result)
print('返回的响应结果:',r.json())
flag = input('Continue?(y/n):')
四. 总结
- 可以根据自己的需要选取dev_pid参数来识别不同语言的语音
- 在安装pyaudio库的时候,可能会提示下载错误,原因是缺少一个文件。通过whl文件下载网站 https://www.lfd.uci.edu/~gohlke/pythonlibs/#pyaudio下载对应版本的whl文件,这里面cp38是python3.8用的,win_amd64是64位用的,win32是32位用的。whl文件下载到一个目录里,用命令行或者pycharm终端安装,输入pip install 目录+whl文件名(例如我自己的:pip install E:\py\PyAudio-0.2.11-cp38-cp38-win32.whl,如果在安装目录下,可以不要绝对路径)
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)