实现自动连续的语音转文字，使用speech_recognition实现静音检测的录音，并使用百度AI开放平台的语音转文字接口将语音转文本

最新推荐文章于 2025-09-19 15:31:37 发布

原创最新推荐文章于 2025-09-19 15:31:37 发布 · 1.8k 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#python #语音识别

speech_recognition 专栏收录该内容

1 篇文章

订阅专栏

本文介绍了如何使用Python结合百度语音识别SDK和speech_recognition库进行语音转文字操作。首先，通过AipSpeech SDK初始化客户端，然后定义语音转文字和录音的函数。录音部分使用speech_recognition动态调整阈值以适应环境噪声，并限制录音时长。最后，将录音转换为文字并打印结果。

首先新建AipSpeech（百度语音识别的SDK客户端）

""" 百度AI开放平台的 APPID AK SK """
APP_ID = '你的 App ID'
API_KEY = '你的 Api Key'
SECRET_KEY = '你的 Secret Key'

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)

然后定义一个语音转文字的函数

path = 'voices/voice.wav' #需要提前创建voices文件夹

# 调用百度语音转文字接口，将语音转文本
def listen():
    with open(path, 'rb') as fp:
        voice = fp.read()

    result = client.asr(voice, 'wav', 16000, {'dev_pid': 1537})
    try:
        result_text = result["result"][0]
        print(result_text)
    except KeyError:
        print("KeyError")
        print(result)

定义录音的函数

#使用speech_recognition录音
def record_audio(rate=16000):
    r = sr.Recognizer()
    with sr.Microphone(sample_rate=rate) as source:
        print("please say something")
        r.adjust_for_ambient_noise(source) #动态调整能量阈值以解决环境噪声（自动调整静音检测的阈值）（使用后可显著提高效果）
        audio = r.listen(source,phrase_time_limit=59) #限制录音的最长时长为59秒，防止超出百度的时间限制
        print('record finish')
 
    with open("voices/voice.wav", "wb") as f:
        f.write(audio.get_wav_data())

Microphone()的使用方法
在这里插入图片描述

实例化Recognize()后调用下面的方法（这里面的r指的就是下面的recognizer_instence)
在这里插入图片描述

用speech_recognition模块可以实现有静音识别的录音（还可以与snowboy集成，实现热词识别）

speech_recognition listen函数的用法

动态调整能量阈值以解决环境噪声（自动调整静音检测的阈值）（使用后可显著提高效果）
在这里插入图片描述
参考手册：https://github.com/Uberi/speech_recognition/blob/master/reference/library-reference.rst

完整代码：

import speech_recognition as sr
from aip import AipSpeech

APP_ID = '18490357'
API_KEY = 'PdZpve6uqC7qg8kgW7LsazWZ'
SECRET_KEY = '4fNWQFkTeyxAku412byYYoRArBDGkiSg'
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
path = 'voices/voice.wav' ##需要提前创建voices文件夹

#使用speech_recognition录音
def record_audio(rate=16000):
    r = sr.Recognizer()
    with sr.Microphone(sample_rate=rate) as source:
        print("please say something")
        r.adjust_for_ambient_noise(source) #动态调整能量阈值以解决环境噪声（自动调整静音检测的阈值）（使用后可显著提高效果）
        audio = r.listen(source,phrase_time_limit=59)#限制录音的最长时长为59秒，防止超出百度的时间限制
        print('record finish')
 
    with open("voices/voice.wav", "wb") as f:
        f.write(audio.get_wav_data())
 
# 调用百度语音转文字接口，将语音转文本
def listen():
    with open(path, 'rb') as fp:
        voice = fp.read()

    result = client.asr(voice, 'wav', 16000, {'dev_pid': 1537})
    try:
        result_text = result["result"][0]
        print(result_text)
    except KeyError:
        print("KeyError")
        print(result)

if __name__ == "__main__":
    while True:
        record_audio()
        listen()