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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
|
# 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服务器之家。
原文链接:https://blog.csdn.net/fmstereo/article/details/76869981