python语音识别实践之百度语音API
时间:2021-01-08 12:19:46|栏目:Python代码|点击: 次
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']))
上一篇:使用python绘制二维图形示例
栏 目:Python代码
下一篇:Django实现web端tailf日志文件功能及实例详解
本文标题:python语音识别实践之百度语音API
本文地址:http://www.codeinn.net/misctech/42151.html