micro python 语音识别_语音识别

maix asr

本文档在 MaixPy 0.5.1_128 minimum_speech_with_ide_support 固件测试通过，使用前请确保录音功能/调用模型可用。

这是一个基于声学模型的语音识别模块，用户设置拼音组成的词汇加载到模块中，就可以开始录音识别用户输入的词汇，并返回可能匹配的词汇列表。

1. 使用方法

警告 不会【使用录音】和【调用模型】的同学，请先去学习前置技能再来使用本篇文档。

烧录声学模型

TODO 之后存放到下载站统一链接。

从这里获取声学模型maix_asr_2900k_0x500000, 烧录到 0x500000 地址即可。

没有烧模型就加载模块会 core dump ，不要跑来问怎么报错了。

创建录音设备

本模块支持所有 Maix 系列硬件使用，我们只需要配置一个 I2S.DEVICE_0 设备，并设置 CHANNEL_0 通道到录音输入就可以了，如果是 Cube 和 amigo 则需要先配置具体的音频解码芯片，再打开 I2C 录音设备。

from Maix import GPIO, I2S

from fpioa_manager import fm

fm.register(20,fm.fpioa.I2S0_IN_D0, force=True)

fm.register(18,fm.fpioa.I2S0_SCLK, force=True) # dock 32

fm.register(19,fm.fpioa.I2S0_WS, force=True) # dock 30

rx = I2S(I2S.DEVICE_0)

rx.channel_config(rx.CHANNEL_0, rx.RECEIVER, align_mode=I2S.STANDARD_MODE)

rx.set_sample_rate(16000)

print(rx)

运行示例代码

请将代码拉到底，这里创建了一个 maix_asr 的辅助类，可以跳过不看。

from speech_recognizer import asr

class maix_asr(asr):

asr_vocab = ["lv", "shi", "yang", "chun", "yan", "jing", "da", "kuai", "wen", "zhang", "de", "di", "se", "si", "yue", "lin", "luan", "geng", "xian", "huo", "xiu", "mei", "yi", "ang", "ran", "ta", "jin", "ping", "yao", "bu", "li", "liang", "zai", "yong", "dao", "shang", "xia", "fan", "teng", "dong", "she", "xing", "zhuang", "ru", "hai", "tun", "zhi", "tou", "you", "ling", "pao", "hao", "le", "zha", "zen", "me", "zheng", "cai", "ya", "shu", "tuo", "qu", "fu", "guang", "bang", "zi", "chong", "shui", "cuan", "ke", "shei", "wan", "hou", "zhao", "jian", "zu