python实现语音转文本

一只程序猿子

已于 2023-11-26 22:24:06 修改

阅读量1.4k

点赞数 12

分类专栏： Python项目文章标签： python xcode 开发语言

于 2023-11-26 22:23:29 首次发布

本文链接：https://blog.csdn.net/spx_0108/article/details/134634220

版权

Python项目专栏收录该内容

18 篇文章 1 订阅

订阅专栏

1.介绍

本文将介绍Python调用第三方语音识别API实现语音转文本的方法,这里使用到的是百度语音识别API.学习到如何使用该API后,你可以在你的项目中添加语音转文本的功能.

文章创作不易,期待你的👍与⭐!

你还可以访问我的主页查看其他文章:

一只程序猿子的CSDN博客主页

2.准备

(1)注册百度智能云账号

访问百度智能云主页注册账号或使用百度账号登录.

(2)领取免费的语音识别资源

(3)创建新应用

(4) 创建完成后查看API Key和SECRET Key

现在可以开始编写代码了

3.代码实现

我已在代码中做了详细注释:直接上代码!

import json
import base64
import time

from urllib.request import urlopen
from urllib.request import Request
from urllib.error import URLError
from urllib.parse import urlencode
timer = time.perf_counter

# 密钥
API_KEY = '替换成你自己的'
SECRET_KEY = '替换成你自己的'

# 这个随便填
CUID = 'audio_to_text_demo'

# 采样率
RATE = 16000  # 固定值
# 普通版
DEV_PID = 1537  # 1537 表示识别普通话，使用输入法模型。根据文档填写PID，选择语言及识别模型
ASR_URL = 'http://vop.baidu.com/server_api'
SCOPE = 'audio_voice_assistant_get'  # 有此scope表示有asr能力，没有请在网页里勾选，非常旧的应用可能没有

# 自定义一个异常类
class DemoError(Exception):
    pass

"""  TOKEN start """

TOKEN_URL = 'http://aip.baidubce.com/oauth/2.0/token'

# 定义一个函数 fetch_token，该函数用于获取令牌，用于后续的 API 请求
def fetch_token():
    # 定义一个字典 params，其中包含授权类型（grant_type）和客户端 ID（client_id）和秘钥（client_secret）
    params = {'grant_type': 'client_credentials',
              'client_id': API_KEY,
              'client_secret': SECRET_KEY}
    # 使用 urlencode 对 params 进行编码
    post_data = urlencode(params)

    # 将编码后的 post_data 转为 utf-8 编码的字节流
    post_data = post_data.encode('utf-8')
    # 创建一个新的 Request 对象，用于发送 POST 请求到 TOKEN_URL，请求的内容是 post_data
    req = Request(TOKEN_URL, post_data)
    try:
        # 使用 urlopen 发送请求，返回一个文件对象 f，可以使用 f.read() 读取返回的内容
        f = urlopen(req)
        # 读取返回的内容并转为字符串
        result_str = f.read()
        # 如果出现网络错误（如网络连接中断、服务器异常等），进入异常处理
    except URLError as err:
        # 打印错误代码和错误信息
        print('token http response http code : ' + str(err.code))
        result_str = err.read()
        # 将结果转为 utf-8 编码的字符串
    result_str = result_str.decode()
    # 打印结果（这行代码被注释掉，不会执行）
    # print(result_str)
    # 将结果转为字典对象（假设结果是以 json 格式返回的）
    result = json.loads(result_str)
    # 打印结果（这行代码被注释掉，不会执行）
    # print(result)
    # 检查返回结果中是否包含 access_token 和 scope 键值对
    if ('access_token' in result.keys() and 'scope' in result.keys()):
        # 如果 SCOPE 是真且返回的 scope 中不包含 SCOPE，则抛出 DemoError 异常，描述为 scope 不正确
        if SCOPE and (not SCOPE in result['scope'].split(' ')):  # SCOPE = False 忽略检查
            raise DemoError('scope 不正确')
            # 打印令牌和过期时间（这行代码被注释掉，不会执行）
        # print('SUCCESS WITH TOKEN: %s  EXPIRES IN SECONDS: %s' % (result['access_token'], result['expires_in']))
        # 返回 access_token
        return result['access_token']
    else:
        # 如果返回结果中没有 access_token 或 scope，则抛出 DemoError 异常，描述为 API_KEY 或 SECRET_KEY 不正确
        raise DemoError('可能 API_KEY或SECRET_KEY不正确：在令牌响应中没有找到access_token或范围')

"""  TOKEN end """


# 定义一个名为AudioToText的类，没有继承其他类
class AudioToText():
    # 定义一个名为audio_to_text的方法，接受两个参数：AUDIO_FILE和FORMAT
    def audio_to_text(AUDIO_FILE, FORMAT):
        # 调用fetch_token函数获取令牌token，具体实现未给出
        token = fetch_token()

        # 以二进制读取模式打开AUDIO_FILE
        with open(AUDIO_FILE, 'rb') as speech_file:
            # 读取文件内容
            speech_data = speech_file.read()

            # 计算文件长度
        length = len(speech_data)
        # 如果文件长度为0，抛出DemoError异常，描述文件为空
        if length == 0:
            raise DemoError('文件 %s 是个空文件' % AUDIO_FILE)
            # 对读取的二进制数据进行base64编码
        speech = base64.b64encode(speech_data)
        # 将编码后的二进制数据转为utf-8格式的字符串
        speech = str(speech, 'utf-8')
        # 定义参数字典，包含各种参数如开发工具箱ID(DEV_PID)，格式(FORMAT)，速率(RATE)，令牌(token)，用户ID(CUID)，通道(channel)，语音数据(speech)，语音长度(len)等
        params = {'dev_pid': DEV_PID,
                  # "lm_id" : LM_ID,    #测试自训练平台开启此项
                  'format': FORMAT,
                  'rate': RATE,
                  'token': token,
                  'cuid': CUID,
                  'channel': 1,
                  'speech': speech,
                  'len': length
                  }
        # 将参数字典转为json字符串，不改变键值顺序
        post_data = json.dumps(params, sort_keys=False)
        # 打印post_data内容，这一行在代码中是注释，实际不会执行
        # print post_data
        # 创建一个新的请求对象，使用POST方法，请求的URL是ASR_URL，请求的内容是post_data编码后的数据，并且设置请求头的Content-Type为application/json
        req = Request(ASR_URL, post_data.encode('utf-8'))
        req.add_header('Content-Type', 'application/json')
        try:
            # 记录开始时间
            begin = timer()
            # 使用urlopen函数发送请求，返回一个文件对象，可以使用f.read()读取返回的内容
            f = urlopen(req)
            # 读取返回的内容
            result_str = f.read()
            # 打印请求花费的时间（从开始计时到读取完响应内容的时间）
            # print("Request time cost %f" % (timer() - begin))  这一行在代码中是注释，实际不会执行
        except URLError as err:
            # 如果出现网络错误（如网络连接中断、服务器异常等），打印错误代码和错误信息
            print('请求错误 : ' + str(err.code))
            result_str = err.read()  # 读取错误的详细信息

        # 将返回的字节流转为utf-8格式的字符串
        result_str = str(result_str, 'utf-8')

        # 以追加模式打开文件"./log/result.txt"，写入响应的结果字符串
        with open("./log/result.txt", "a", encoding="utf-8") as f:
            f.write(result_str)  # 将结果写入到文件中

        # 将返回的json字符串转为python字典对象并赋值给变量data
        data = json.loads(result_str)
        return data  # 返回解析后的数据

# 需要识别的文件
AUDIO_FILE = './audio/16k.wav'  # 只支持 pcm/wav/amr 格式，极速版额外支持m4a 格式
# 文件格式
FORMAT = AUDIO_FILE[-3:]  # 文件后缀只支持 pcm/wav/amr 格式，极速版额外支持m4a 格式


if __name__ == '__main__':
    data = AudioToText.audio_to_text(AUDIO_FILE, FORMAT)

    COLOR_GREEN = "\033[32m"        #绿色
    RESET = "\033[0m"               #黑色
    print(f"语音转文本结果:{COLOR_GREEN}{data['result'][0]}"+RESET)