基于百度人工智能语音识别 REST API 的开源库 libasrutil

转载时请注明出处和作者联系方式：http://blog.csdn.net/mimepp

作者联系方式：YU TAO <yut616 at sohu dot com>

关键字： baidu asr，automatic speech recognition，百度语音识别，语音识别，翻译，translate, REST API，VAD，Voice Active Detection，http chunk， AI，人工智能

libasrutil 是基于百度人工智能语音识别 REST API 的一个 ASR (automatic speech recognition) 工具库，这里将相关内容做一个记录。

asrutil is a utility for ASR (automatic speech recognition), it is based on baidu asr sample.

github 开源项目地址

https://github.com/mimepp/libasrutil

语音识别引擎

对比了国内若干语音识别的引擎，包括讯飞、百度、思必驰、阿里，最后根据自己的实用需要选择了百度的语音识别。

百度的语音识别没有访问次数限制，速度和识别度也可以，而且百度还有中英等多语言互译翻译引擎，比较满足应用的需要。

因为要使用 C 语言来做嵌入系统上的开发，所以主要参考的是百度的 REST API 的 sample 程序，但其太过简单，需要自己做大量的开发才有好的实用价值。

HTTP chunk

虽然官方没说支持 http chunk 分块发送方式，但实际中可以用此方式来优化数据的发送过程。否则要等数据全部获得后再一次发送出去，等待的周期会过长，影响识别时间。

见 libasrutil/src/tests/ 下含 chunked 的文件名例子，很实用。

如一分钟的语音，可以提前分多段发送出去做语音转换，而不是等一分钟后才去做转换。

VAD (Voice Active Detection)

在实际应用中，发现处理连续的语音无法正确的断句，后来增加了 VAD 功能后，就可以在中间有停顿时作为断句，开始做语音识别，从而缩短了显示识别结果的周期。

这里实现 VAD 的原理就是判断数据是否在正负交替，即穿越水平0轴，说明是有语音数据的。而且这时的数据是有一定的能量的，说明是说话的声音，而不是干扰的噪声。

见 libasrutil/src/asrutil_util.c 中 asrutil_vad_check 部分。

应用例子见 libasrutil/src/tests/ 下含 vad 的文件名，很好很强大。

特别感谢 曾福 的文章 https://zhuanlan.zhihu.com/p/28805254 。

测试文件

在 libasrutil/media_files 下放置了很多测试用的文件，有中文的语音内容，也有英文的语音内容，你可以直接使用，不用再自己去转换为 1ch 16bit 8khz pcm （百度语音识别要求的格式）了。