山东大学软件学院项目实训（四）

本周实现了语音转文本后端代码的编写。

项目结构如下所示：

本实现通过调用科大讯飞的语音听写技术，其主要用于1分钟内的即时语音转文字技术，支持实时返回识别结果，达到一边上传音频一边获得识别文本的效果，这便于我们后续的开发。

接口调用流程如下：

• 通过接口密钥基于hmac-sha256计算签名，向服务器端发送Websocket协议握手请求。
• 握手成功后，客户端通过Websocket连接同时上传和接收数据。数据上传完毕，客户端需要上传一次数据结束标识。
• 接收到服务器端的结果全部返回标识后断开Websocket连接。

常量的定义类似于tts，不过这里指定的是待识别的文件的位置，而tts指定的是转化的文本的内容。

程序继承WebSocket类，重写了一些方法，以处理WebSocket连接的打开、消息接收和失败事件。运行时会根据不同的状态（第一帧、中间帧、最后一帧）构建不同的JSON格式数据，并发送到服务端。当接收到服务端返回的消息时，程序解析消息并进行处理。如果返回的消息包含错误码，程序将打印错误信息和错误码查询链接。如果消息包含识别结果，程序将对结果进行解码并打印。

程序的工作流程如下：

• 建立WebSocket连接。
• 在连接打开后，发送音频数据。
• 接收服务端返回的识别结果，并进行解码和打印。
• 处理连接失败事件。

将tts生成的文本传入进行处理，处理结果如下图所示

可以看出，准确地识别出了语音对应的内容，与生成时输入的文本一致，识别准度好，同时还计算了识别耗时，对于其他方面的应用有一定的作用。