百度语音API的Python语音识别实践

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']))