python与腾讯语音识别

语音识别是一项比较复杂的技术，在单机上很难实现高效的识别的功能，但是借助云平台，实现起来就简单得多了。

下面采用腾讯的语音识别平台，用法如下：

Python SDK 语音识别

按照官方文档上说：

• 语音 URL 的音频时长不能长于5小时，文件大小不超过512MB
• 本地语音文件不能大于5MB
• 录音文件识别免费额度为每月10小时

不知道URL的方式限制到底是不是512MB，但是本地文件确实有5MB的限制。

语音识别分为两部分，首先是发送请求，把文件提交到服务器，如果没有错误，就会返回一个taskId。然后过几分钟（因为识别语音需要一定的时间），再通过这个taskId获取识别内容。

值得注意的是，腾讯提供了在线调试的功能，如下：

录音文件识别请求

录音文件识别结果查询

如果识别成功，就会返回一个TaskId，通过这个TaskId，获取返回的结果，但是结果是一个json格式的数据，样式大概如下：

也可以把里面的时间去掉，代码如下：

# -*- coding: utf-8 -*-

import json
import re

with open('asr.json', 'r', encoding='utf-8') as f:
    asr_json = json.load(f)
    result = asr_json["Data"]["Result"]
    print(result)
    txt = re.sub('\[.*\]', "", result)#去掉时间前缀
    print(txt)
    txt = re.sub('\s+', "", txt)#去掉换行、空格字符
    print(txt)

上面的asr.json文件就是从控制台复制出来保存的文件名。

最近（2021.2.6）发现，还有一个有点意思的参数，那就是：

即说话人分离，这个其实很重要的，一般来说，语音识别都要把说话人分离出来。完整代码如下：

# -*- coding: utf-8 -*-
import json
from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import ClientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.common.exception.tencent_cloud_sdk_exception import TencentCloudSDKException 
from tencentcloud.asr.v20190614 import asr_client, models 

try: 
    cred = credential.Credential("SecretId", "SecretKey") 
    httpProfile = HttpProfile()
    httpProfile.endpoint = "asr.tencentcloudapi.com"

    clientProfile = ClientProfile()
    clientProfile.httpProfile = httpProfile
    client = asr_client.AsrClient(cred, "", clientProfile) 

    req = models.CreateRecTaskRequest()
    params = {
        "ChannelNum": 1,
        "ResTextFormat": 0,
        "SourceType": 0,
        "SpeakerNumber": 0,#设置为0相对好点，设成其他数据会比较乱
        "Url": "https://qiu-1304848882.cos.ap-chengdu.myqcloud.com/%E6%B0%B4%201.3.mp3",
        "EngineModelType": "16k_zh",
        "SpeakerDiarization": 1
    }
    req.from_json_string(json.dumps(params))

    resp = client.CreateRecTask(req) 
    print(resp.to_json_string()) 

except TencentCloudSDKException as err: 
    print(err) 

获取的内容大概有如下不同：

可以看出，除了有前面的时间戳以外，后面还多了0或1这个标志。也就是说0是一个人说的，1是另外一个人说的。但是这个功能目前处理beta版，很不成熟，实际作用很有限。

如果上面的json数据，去掉前面的时间戳，只保留说话人的信息，并且相同说话人，就把内容给合并起来，大概可以这样：

# -*- coding: utf-8 -*-

import json
import re

with open('asr.json', 'r', encoding='utf-8') as f:
    asr_json = json.load(f)
    result = asr_json["Data"]["Result"]
    with open('水0.txt', 'w', encoding='utf-8') as fi:
        fi.write(result)

file = open('水0.txt', 'r', encoding='utf-8')
speaker_content =""
speaker_old = 0
for line in file.readlines():
    list = line.split()
    time_speaker = re.sub("[\[\]]","",list[0])#去掉中括号[]
    speaker = re.split(",",time_speaker)[2]
    content = list[1]
    if speaker == speaker_old:
        speaker_content += content
    else:
        speaker_content += "\n"+speaker+":"+content
    speaker_old = speaker

with open('水.txt', 'w', encoding='utf-8') as f:
    f.write(speaker_content)

上面代码的作用就是忽略时间，把相同说话人的内容合并起来。

上面的代码从技术上是可行的，但是实际操作却很有难度。主要问题出在本地5M的限制上，使用URL虽然是限制512M，但把文件传到哪里，访问速度太慢怎么办？

本人思考了很久，没找到答案。于是用在线客服提问，居然还有云技术顾问这个东西，瞬间感觉自己太落伍了，大概解决方法如下：

1、登录cos控制台创建存储桶； 


2、上传您的本地语音文件 

3、点击您上传的本地文件详情，即可显示对象地址； 

4、登录语音识别控制台，将得到的对象地址填入URL地址栏中； 

5、开始识别完成后，点击下载结果即可。 

需要注意的是cos是收费的，但是很便宜。

 

（2021.2.3更新）

腾讯还提供了热词和自学模型功能：https://cloud.tencent.com/document/product/1093/40996

这其实是个非常好的东西。

热词主要是针对一些特有的人名、产品名、公司名或者某个领域的专有词汇。

自学习模型是通过以往的真实数据，让机器来学习语言风格，最后再来识别语音内容。

很明显要想提高识别率，必定会涉及到一些专有名词及语言风格等，那么热词和自学习模型功能将会起到很大的作用。