用python3实现简单的语音识别转化成文字

自己对python感兴趣，利用业余时间弄了个自动回复微信消息的小机器人，纯属自己瞎玩，给大家介绍一下，有想自己弄着玩的可以做个参考，项目地址：https://github.com/shiyusong39/WeChatSimpleRobot

以python3为基础语言，用到了 itchat +谷歌的语音识别+思知机器人API+pydub类库。简单说下：

1.itchat

他的开发者介绍说这是实现了一个伪web的微信，但不是微信官方推荐的，所以频繁使用可能会被微信限制web端登陆，不影响手机和客户端的登陆。基本web半微信实现的功能，itchat好像都能实现，直接上官网：https://itchat.readthedocs.io/zh/latest/

下面是我写的python（请大家忽略命名和格式，一时之间从java那边转换不过来，还不习惯~）先下包：

我用的PyCharm，而且已经安装了pip，所以我直接就：pip install itchat 执行命令就哦了，然后再代码中引入就可以了：

import itchat
from itchat.content import *
import time

#微信热启动
itchat.auto_login(hotReload=True)
itchat.run()

##个人聊天
#文本信息
@itchat.msg_register([itchat.content.TEXT,itchat.content.RECORDING],isFriendChat=True)
def private_text_chat(private_msg):
    # filehelper 是文件传输助手，我是为了测试用的
    if private_msg['ToUserName'] == 'filehelper' :
        #获取好友昵称
        nick_name = '自己'
        from_user_name = 'filehelper'
    else:
        nick_name = private_msg['User']['NickName']
        from_user_name = private_msg['FromUserName']
        msg = private_msg['Text']
        print(nick_name +":"+msg)
    #请求机器人
    replymsg = SiZhiRobot.sizhi_msg(msg)
    #返回消息
    itchat.send(msg = replymsg, toUserName = from_user_name)

回复群消息和群发的方法我就不在这里展示了，都比较简单，大家看看官方api就能明白。

2.思知机器人

十分的感谢开源的大佬们！！，一开始我使用的是图灵机器人，但是那个需要真人认证，比较麻烦，而且试用版只能创建五个机器人，每个机器人每天有100次还是多少次的使用次数记不太清了。然后我同事帮我找打了思知机器人，目前来说，响应速度快，调用简单回复消息结构也简单，只是有的时候回答的不是很准确，但是自己玩也可以了（毕竟我刚弄完这个机器人那阵，我同事能跟它玩一下午-_-!），申请没那么多要求，附上官网：https://www.ownthink.com/，上代码：

import json
import requests

#思知机器人API
def get_sizhi_response(msg):
    apiUrl = 'https://api.ownthink.com/bot'
    apiKey = 'xxxxxxxxxx'#这里填写你自己申请的机器人apiKey
    data = {
        "spoken": msg,
        "appid": apiKey,
        "userid": 'fireworks'#随便起的
    }
    # 必须是json
    headers = {'content-type': 'application/json'}

    try:
        req = requests.post(apiUrl, headers = headers, data = json.dumps(data))
        return req.json()
    except:
        return

#处理思知机器人返回的json消息
def sizhi_msg(msg):
    #设置一个默认回复。
    return_msg = '我是个笨笨的机器人，我CPU好像挂了~_~![自动回复]'
    replyjson = get_sizhi_response(msg)
    if replyjson['message'] == 'success':
        return_msg = replyjson['data']['info']['text'].replace('小思','伦家~').replace('思知机器人','伦家~');
        print("思知机器人自动回复："+return_msg)
    # a or b --》 如果a不为空就返回a，否则返回b
    return return_msg

3.微信语音消息的保存及格式的转变

在微信返回的消息中，语音消息的类型是43，而且保存到本地是mp3的格式（我不清楚是否可以指定保存格式，按照itchat的文档介绍保存到本地是mp3格式）；MP3的音频文件不能直接用谷歌的语音识别去识别，可以看下这篇文章（https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/79832700这里面介绍了有关音频的一些理论知识，什么频率赫兹啥的），包括谷歌语音识别接口的使用；所以，在识别语音之前，我们要先对保存到本地的语音消息转化格式，这里用到了pydub的ffmpeg和ffprobe（https://ffmpeg.zeranoe.com/builds/下载完解压，ffmpeg.exe和ffprobe.exe复制到你想放的地方，然后再代码中引用一下就可以了，windows平台可以，不止linux是否可以）先下类库：

pip install pydub

pip install os

再看代码：

from pydub import AudioSegment
import os
from os import path

# os.getcwd() 是获取当前路径，这里可以写绝对路径
AudioSegment.ffmpeg = os.getcwd()+'\\ffmpeg.exe'
AudioSegment.ffprobe = os.getcwd()+'\\ffprobe.exe'

def dealMp3(filePath,fileName):
    sound = AudioSegment.from_mp3(filePath)
    #获取原始pcm数据
    data=sound._data
    sound_wav = AudioSegment(
        #指定原始pcm文件
        # raw audio data (bytes)
        data = data,
        #指定采样深度，可选值1,2,3,4
        # 2 byte (16 bit) samples
        sample_width = 2,
        #指定采样频率
        # 44.1 kHz frame rate
        # 16kHz frame rate
        frame_rate = 16000,
        #指定声道数量
        # stereo or mono
        channels = 1
    )
    #导出wav文件到当前目录下
    sound_wav.export(fileName,format='wav')
    # 判断生成wav格式的文件成功没
    isDeal = os.path.exists(os.getcwd()+'\\'+fileName)

    #如果wav文件生成了就删除mp3文件 - -这个可以不参考
    if isDeal:
        #删除mp3文件
        os.remove(filePath)

    return isDeal

4.语音转文字

将微信语音文件转化完格式后，就可以进行语音识别了，在这先提前说下，谷歌的识别十分慢，具体原因咱也不知道，国内像百度、讯飞、微信也有语音识别的开放平台API，如果觉得慢，也可以考虑使用国内的，不管使用哪种语音识别，这个mp3转wav都会用到，不能直接对mp3类型的文件进行识别。下载类库：

pip install SpeechRecognition

代码：

import speech_recognition as sr

#语音转文字
def voice2Text(file_name):

    voice_file = path.join(path.dirname(path.realpath(__file__)), file_name)
    # use the audio file as the audio source
    r = sr.Recognizer()
    with sr.AudioFile(voice_file) as source:
        audio = r.record(source)
    try:
        content = r.recognize_google(audio, language='zh-CN')
        # print("Google Speech Recognition:" + content)
    except sr.UnknownValueError:
        print("Google Speech Recognition could not understand audio")
    except sr.RequestError as e:
        print("Google Speech Recognition error; {0}".format(e))

    return content or '无法翻译'

这个就是转文字的代码，这只是其中一种方法，其他更多的demo可以去看https://github.com/Uberi/speech_recognition/blob/master/examples/audio_transcribe.py，这里面需要注意的是，首先要设定一下content = r.recognize_google(audio, language='zh-CN')的language，因为他默认是英语~，zh-CN将我们的音频转化成简体中文；在一个就是audio这个参数，谷歌api说他的翻译只接受SpeechRecognition类型的，所以

with sr.AudioFile(voice_file) as source:

       audio = r.record(source)

这个是读取到我们的wav音频文件然后调用record方法将内容处理后输出到audio这个参数中。OK了，基本上没啥问题了，可以测试了，我的基本流程就是登录微信，然后自己发语音给文件传输助手，然后python处理语音转化成文字，再去请求机器人，回复给我消息。

测试结果：

成功了！这个其实没有什么特别高的技术含量，就是整合各种第三方类库和api，做这个纯属娱乐和兴趣使然，当然了，也在里面学到不少知识，可以搞好多有趣的东西，比如：在群聊中怎么判断是不是自己发的消息？怎么定时群发好友或者群？怎么给他/她每天定时发一些腻歪的话？怎么防止朋友撤回消息。。。等等

如果有不准确的地方，还希望大家多多指教批评！

 

2020.04.29补充：

有朋友反馈说不能使用了，我测试了一下，是谷歌的语音翻译API被墙了，我挂上VPN之后可以使用的，我把这个demo简化了一下，代码已经更新到github上了，如果没有vpn，大家可以使用国内的百度语音翻译、腾讯语音翻译以及科大讯飞语音翻译，只不过这些有免费次数超过之后要收费，如果有问题大家多多交流~谢谢大家的支持！