python语音识别实践之百度语音API_Python

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']))