python实现语音播放_python通过调用百度api实现语音识别（超详细）

最近在学习python，做一些python练习题

github上几年前的练习题

有一题是这样的：

使用 Python 实现：对着电脑吼一声,自动打开浏览器中的默认网站。

例如，对着笔记本电脑吼一声“百度”，浏览器自动打开百度首页。

然后开始search相应的功能需要的模块（windows10），理一下思路：

本地录音

上传录音，获得返回结果

组一个map，根据结果打开相应的网页

所需模块：

PyAudio：录音接口

wave：打开录音文件并设置音频参数

requests：GET/POST

为什么要用百度语音识别api呢？因为免费试用。。

不多说，登录百度云，创建应用

查看文档REST API文档

文档写的蛮详细的，简单概括就是

可以下载使用SDK

不需要下载使用SDK

选择2.

根据文档组装url获取token

处理本地音频以JSON格式POST到百度语音识别服务器，获得返回结果

语音格式

格式支持：pcm（不压缩）、wav（不压缩，pcm编码）、amr（压缩格式）。推荐pcm 采样率 ：16000 固定值。 编码：16bit 位深的单声道。

百度服务端会将非pcm格式，转为pcm格式，因此使用wav、amr会有额外的转换耗时。

保存为pcm格式可以识别，只是windows自带播放器识别不了pcm格式的，所以改用wav格式，毕竟用的模块是wave?

首先是本地录音

import wavefrom pyaudio import PyAudio, paInt16framerate = 16000 # 采样率num_samples = 2000 # 采样点channels = 1 # 声道sampwidth = 2 # 采样宽度2bytesFILEPATH = "speech.wav"def save_wave_file(filepath, data): wf = wave.open(filepath, "wb") wf.setnchannels(channels) wf.setsampwidth(sampwidth) wf.setframerate(framerate) wf.writeframes(b"".join(data)) wf.close()#录音def my_record(): pa = PyAudio() #打开一个新的音频stream stream = pa.open(format=paInt16, channels=channels, rate=framerate, input=True, frames_per_buffer=num_samples) my_buf = [] #存放录音数据 t = time.time() print("正在录音...") while time.time() < t + 4: # 设置录音时间（秒） #循环read，每次read 2000frames string_audio_data = stream.read(num_samples) my_buf.append(string_audio_data) print("录音结束.") save_wave_file(FILEPATH, my_buf) stream.close()

然后是获取token

import requestsimport base64 #百度语音要求对本地语音二进制数据进行base64编码#组装url获取token，详见文档base_url = "https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=%s&client_secret=%s"APIKey = "LZAdqHUGC********mbfKm"SecretKey = "WYPPwgHu********BU6GM*****"HOST = base_url % (APIKey, SecretKey)def getToken(host): res = requests.post(host) return res.json()["access_token"]#传入语音二进制数据，token#dev_pid为百度语音识别提供的几种语言选择def speech2text(speech_data, token, dev_pid=1537): FORMAT = "wav" RATE = "16000" CHANNEL = 1 CUID = "********" SPEECH = base64.b64encode(speech_data).decode("utf-8") data = { "format": FORMAT, "rate": RATE, "channel": CHANNEL, "cuid": CUID, "len": len(speech_data), "speech": SPEECH, "token": token, "dev_pid":dev_pid } url = "https://vop.baidu.com/server_api" headers = {"Content-Type": "application/json"} # r=requests.post(url,data=json.dumps(data),headers=headers) print("正在识别...") r = requests.post(url, json=data, headers=headers) Result = r.json() if "result" in Result: return Result["result"][0] else: return Result

最后就是对返回的结果进行匹配，这里使用webbrowser这个模块

webbrower.open(url)

完整demo

#!/usr/bin/env python# -*- coding: utf-8 -*-# Date : 2018-12-02 19:04:55import waveimport requestsimport timeimport base64from pyaudio import PyAudio, paInt16import webbrowserframerate = 16000 # 采样率num_samples = 2000 # 采样点channels = 1 # 声道sampwidth = 2 # 采样宽度2bytesFILEPATH = "speech.wav"base_url = "https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=%s&client_secret=%s"APIKey = "********"SecretKey = "************"HOST = base_url % (APIKey, SecretKey)def getToken(host): res = requests.post(host) return res.json()["access_token"]def save_wave_file(filepath, data): wf = wave.open(filepath, "wb") wf.setnchannels(channels) wf.setsampwidth(sampwidth) wf.setframerate(framerate) wf.writeframes(b"".join(data)) wf.close()def my_record(): pa = PyAudio() stream = pa.open(format=paInt16, channels=channels, rate=framerate, input=True, frames_per_buffer=num_samples) my_buf = [] # count = 0 t = time.time() print("正在录音...") while time.time() < t + 4: # 秒 string_audio_data = stream.read(num_samples) my_buf.append(string_audio_data) print("录音结束.") save_wave_file(FILEPATH, my_buf) stream.close()def get_audio(file): with open(file, "rb") as f: data = f.read() return datadef speech2text(speech_data, token, dev_pid=1537): FORMAT = "wav" RATE = "16000" CHANNEL = 1 CUID = "*******" SPEECH = base64.b64encode(speech_data).decode("utf-8") data = { "format": FORMAT, "rate": RATE, "channel": CHANNEL, "cuid": CUID, "len": len(speech_data), "speech": SPEECH, "token": token, "dev_pid":dev_pid } url = "https://vop.baidu.com/server_api" headers = {"Content-Type": "application/json"} # r=requests.post(url,data=json.dumps(data),headers=headers) print("正在识别...") r = requests.post(url, json=data, headers=headers) Result = r.json() if "result" in Result: return Result["result"][0] else: return Resultdef openbrowser(text): maps = { "百度": ["百度", "baidu"], "腾讯": ["腾讯", "tengxun"], "网易": ["网易", "wangyi"] } if text in maps["百度"]: webbrowser.open_new_tab("https://www.baidu.com") elif text in maps["腾讯"]: webbrowser.open_new_tab("https://www.qq.com") elif text in maps["网易"]: webbrowser.open_new_tab("https://www.163.com/") else: webbrowser.open_new_tab("https://www.baidu.com/s?wd=%s" % text)if __name__ == "__main__": flag = "y" while flag.lower() == "y": print("请输入数字选择语言：") devpid = input("1536：普通话(简单英文),1537:普通话(有标点),1737:英语,1637:粤语,1837:四川话\n") my_record() TOKEN = getToken(HOST) speech = get_audio(FILEPATH) result = speech2text(speech, TOKEN, int(devpid)) print(result) if type(result) == str: openbrowser(result.strip("，")) flag = input("Continue?(y/n):")

经测试，大吼效果更佳