如何利用python进行在线语音识别

最新推荐文章于 2024-06-30 13:28:34 发布
最新推荐文章于 2024-06-30 13:28:34 发布
阅读量2.3k 收藏 32
点赞数 1
分类专栏： python 文章标签： python 语音识别 在线语音识别 百度人工智能 python调用cmd
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45381780/article/details/95762292
版权

如何利用python实现在线语音识别

本篇文章主要介绍使用 python 借助 百度人工智能 实现在线的 语音识别 功能。

学习经历

在正式介绍如何进行在线语音识别功能之前我想先分享一下我自己的学习顺序：

首先对核心内容语音识别模块进行编写，在编写的过程中发现音频文件需要使用 pcm格式 ，于是下载了百度AI的范例pcm文件，并且完成了语音识别，接下来学习转码，用手机录音，然后用 ffmpeg 将录音从mp3文件转换为pcm文件，开始使用cmd手动输入实现转码，顺利转码后改为学习用python调用cmd自动执行。最后是学习python录音，录音得到的文件是wav格式，于是又把mp3->pcm的代码改为wav->pcm，最后按顺序将录音，转码，识别三个模块串在一起，形成了一个在线语音识别的程序。程序可以实现固定时长的录音（说话前预设时间，中途无法中断或延长时间）保存录音文件并将录音文件转码成pcm格式，然后将pcm音频上传到百度AI平台（这就意味着必须保证网络的畅通），进行识别后传输回识别内容。

作为一个初学者在决定学习这项功能时觉得任务非常繁重，网上能搜集到的资料驳杂而零碎，但通过不断的拼凑与尝试，最终完成了程序的编写。现在将我的实现方法分享给大家，希望可以与大家互相交流学习！

逻辑顺序

用python实现在线语音识别，我们首先需要一段语音，这段语音的格式是 .pcm ，这段语音的来源用python录制，录制后的格式是 .wav ，然后利用python调用cmd，使用 ffmpeg 将格式转码成 .pcm ，最后将文件上传到百度人工智能，并接受返回的文字结果：

  1. 录音；
  2. 转码；
  3. 在线语音识别；

环境

  • Windows 8.1
  • Python 3.7
  • Pycharm 5.0.3

需要安装的模块：

  • PyAudio （实现录音）
  • aip （实现语音识别）

一.录音

1.1 安装pyaudio

录音需要安装新的模块，名为PyAudio。安装方法： 直接打开cmd命令行，输入 pip install pyaudio。
有些人可能会出现如下错误 ：
error: Microsoft Visual C++ 14.0 is required. Get it with “Microsoft Visual C++ Build Tools”: http://landinghub.visualstudio.com/visual-cpp-build-tools。

解决这个错误的方法是进入该地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#pyaudio 下载对应python版本的 .whl 文件。

我下载的是 PyAudio-0.2.11-cp37-cp37m-win_amd64.whl 。安装完这个文件后就可以再次输入 pip install pyaudio 成功安装pyaudio模块了。

1.2 用python完成录音

安装完成后按照如下代码编写，实现录音功能，得到**.wav**文件。代码如下：

import pyaudio
import wave
import time as t

name = ""
t.localtime()
for i in range(0,6):
    name += str(t.localtime()[i])
    if i in [3 , 4]:
        name += '：'
    elif i == 5:
        pass
    else:
        name += '-'
# ↑用开始录音的时间作为生成的文件名

CHUNK = 1024 # 底层缓存块的大小
FORMAT = pyaudio.paInt16 # 16K
CHANNELS = 1 # 单通道
RATE = 44100 # 采样率
RECORD_SECONDS = 1 # 录音时长（s）
WAVE_OUTPUT_FILENAME = name + '.wav'
p = pyaudio.PyAudio()
stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)
# ↑设置录制的格式、参数

print("* 开始录音，您有%d秒时间输入语音内容！"%RECORD_SECONDS)
frames = []
for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
    data = stream.read(CHUNK)
    frames.append(data)
print("* 录音结束")
stream.stop_stream()
stream.close()
p.terminate()# 释放PortAudio资源

# ↓生成wave文件
wf = wave.open("E:/pycharmcode/语音库/" + WAVE_OUTPUT_FILENAME, 'wb')
wf.setnchannels(CHANNELS)
wf.setsampwidth(p.get_sample_size(FORMAT))
wf.setframerate(RATE)
wf.writeframes(b''.join(frames))
wf.close()

二.转码

2.1 用cmd转码

首先要下载 ffmpeg，根据百度经验：（https://jingyan.baidu.com/album/f7ff0bfcd64cea2e26bb1334.html?picindex=7） 在 ffmpeg 官网上下载 ffmpeg，下载完后将ffmpeg.exe、ffplay.exe、ffprobe.exe三个程序放到C:\Windows\System32该目录中，这样就可以直接在cmd中调用ffmpeg了，然后根据百度智能云文档提供的音频转码方式在cmd命令行中转码，其中：

wav 文件转 16k 16bits 位深的单声道pcm文件：
ffmpeg -y  -i 16k.wav  -acodec pcm_s16le -f s16le -ac 1 -ar 16000 16k.pcm

其中16k.wav和16k.pcm是输入路径和输出路径，自己使用的时候注意输入正确的路径名，如E:\pycharmcode\语音库\16k.pcm 。

注意：在cmd中的输入路径和输出路径不能有空格，如E:\pycharm code\语音库\16k.pcm，由于pycharm与code 之间存在空格，导致cmd报错：Permission denied。

mp3 文件转 16K 16bits 位深的单声道 pcm文件：
ffmpeg -y  -i aidemo.mp3  -acodec pcm_s16le -f s16le -ac 1 -ar 16000 16k.pcm

2.2 使用subprocess模块在python中调用cmd转码

我们的目的是实现一串代码实现所有语音转换的功能，所以需要通过python来调用cmd指令来完成转码。

Subprocess模块不需要安装，直接import调用就可以了。
PS：当时的参考文献找不到了，最后的实现是使用subprocess.Popen()功能，具体实现代码如下所示：

# ↓转码
p_name_wav = "E:\\pycharmcode\\语音库\\" + name + '.wav'
p_name_pcm = "E:\\pycharmcode\\语音库\\" + name + '.pcm'
cmd ="ffmpeg -y  -i " + p_name_wav + " -acodec pcm_s16le -f s16le -ac 1 -ar 16000 " +  p_name_pcm
p = subprocess.Popen(cmd , shell = True)
p.wait()

（该段代码中的 name 变量见前文录音）

注意：对cmd的赋值是通过三个字符串拼接得到的，在字符串的内容和引号之间切记要空格，不然得到的将是连在一起的一串字符导致报错。

三. 语音识别模块

3.1 安装百度aip模块

首先在cmd命令行安装百度aip：在cmd命令行输入 pip baidu-aip，我目前用的版本是2.2.13.0。

3.2 获取百度人工智能平台ID

登陆百度的AI平台 ai.baidu.com，在控制台创建应用，获取ID。获取ID的过程可以参考下面的视频链接（该视频中教你如何调用百度人工智能进行语音合成）： https://v.qq.com/x/page/f0807ugi16t.html

在控制台创建应用并获取ID后根据百度语音文档中心的 Python SDK教程编写代码：
（https://ai.baidu.com/docs#/ASR-Online-Python-SDK/top）

3.3 语音识别代码

#_*_coding:utf-8_*_
# 开发人员: 批发萝莉:2019/6/17 9:51
# 文件名称:语音识别2.py
# 开发工具:PyCharm

from aip import AipSpeech

app_id     = "16536506"
api_key    = "xZ2Gof2ORP98FHGDxtNUqYZO"
secret_key = "**************************" # 大家将内容改为自己的秘钥

client = AipSpeech(app_id , api_key , secret_key)

# 读取文件
def get_file_content(filepath):
    with open(filepath , "rb") as fp:
        return fp.read()

# 识别本地文件
result = client.asr(get_file_content("E:/pycharmcode/语音库/16k.pcm") , "pcm" , 16000 , {
    "dev_pid" : 1536 ,
})
# client.asr(speech语音文件的路径 , format格式 , rate采样率 , cuid用户标识 , dev_pid语言模式)
# 1536 普通话（支持简单的英文识别） 搜索模型    无标点
# 1537 普通话（纯中文识别）         输入法模型  有标点
# 1737 英语                                   有标点
# 1637 粤语                                   有标点
# 1837 四川话                                 有标点
# 1936 普通话远场                  远场模型    有标点

result_list = list(result.values())
if result_list[1] != 'success.':
    print(result)
else:
    print(result_list[3])

最后附上完整的代码

#_*_coding:utf-8_*_
# 开发人员: 批发萝莉:2019/6/25 11:31
# 文件名称:录音+转码+识别.py
# 开发工具:PyCharm

import pyaudio
import wave
import time as t
import subprocess
from aip import AipSpeech

# ↓录音
name = ""
t.localtime()
for i in range(0,6):
    name += str(t.localtime()[i])
    if i in [3 , 4]:
        name += '：'
    elif i == 5:
        pass
    else:
        name += '-'
# ↑用开始录音的时间作为生成的文件名

CHUNK = 1024 # 底层缓存块的大小
FORMAT = pyaudio.paInt16 # 16K
CHANNELS = 1 # 单通道
RATE = 44100 # 采样率
RECORD_SECONDS = 5 # 录音时长（s）
WAVE_OUTPUT_FILENAME = name + '.wav'
p = pyaudio.PyAudio()
stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)
# ↑设置录制的格式、参数

print("* 开始录音，您有%d秒时间输入语音内容！"%RECORD_SECONDS)
frames = []
for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
    data = stream.read(CHUNK)
    frames.append(data)
print("* 录音结束")
stream.stop_stream()
stream.close()
p.terminate() # 释放PortAudio资源

# ↓生成wave文件
wf = wave.open("E:/pycharmcode/语音库/" + WAVE_OUTPUT_FILENAME, 'wb')
wf.setnchannels(CHANNELS)
wf.setsampwidth(p.get_sample_size(FORMAT))
wf.setframerate(RATE)
wf.writeframes(b''.join(frames))
wf.close()

# ↓转码
p_name_wav = "E:\\pycharmcode\\语音库\\" + name + '.wav'
p_name_pcm = "E:\\pycharmcode\\语音库\\" + name + '.pcm'
cmd ="ffmpeg -y  -i " + p_name_wav + " -acodec pcm_s16le -f s16le -ac 1 -ar 16000 " +  p_name_pcm

p = subprocess.Popen(cmd , shell = True)
p.wait()

# ↓语音识别
app_id     = "16536506"
api_key    = "xZ2Gof2ORP98FHGDxtNUqYZO"
secret_key = "*************************" # 大家将内容改为自己的秘钥

client = AipSpeech(app_id , api_key , secret_key)

# 读取文件
def get_file_content(filepath):
    with open(filepath , "rb") as fp:
        return fp.read()

# 识别本地文件
result = client.asr(get_file_content(p_name_pcm) ,
                    "pcm" ,
                    16000 ,
                    {"dev_pid" : 1536 ,})

result_list = list(result.values())
if result_list[1] != 'success.':
    print(result)
else:
    print(result_list[3])

运行结果如下所示：
语音识别结果图

批发萝莉
关注
专栏目录
speech_recognition：适用于Python的语音识别模块，支持在线和离线的多个引擎和API
02-05
speech_recognition：适用于Python的语音识别模块，支持在线和离线的多个引擎和API
【小沐学Python】Python实现语音识别（SpeechRecognition）
爱看书的小沐
12-09 1万+
SpeechRecognition用于执行语音识别的库，支持多个引擎和 API，在线和离线。以上几个中只有 recognition_sphinx（）可与CMU Sphinx 引擎脱机工作， 其他六个都需要连接互联网。另外，SpeechRecognition 附带 Google Web Speech API 的默认 API 密钥，可直接使用它。其他的 API 都需要使用 API 密钥或用户名/密码组合进行身份验证。╮(￣▽￣)╭如果您感觉方法或代码不咋地//(ㄒoㄒ)//，就在评论处留言，作者继续改进；
python通过调用百度api实现语音识别（超详细）
热门推荐
exmlyshy的博客
12-03 3万+
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...
用Python编程实现语音控制电脑
shuwu
11-28 8672
http://www.th7.cn/Program/Python/201404/186911.shtml 电脑面前的你，是否也希望能让电脑听命于你？   当你累的时候，只需说一声“我累了”，电脑就会放着优雅的轻音乐来让你放松。 或许你希望你在百忙之中，能让电脑郎读最新的NBA比分赛况….一切都是那么惬意。 在此告诉你，不要灰心，我们真的可以做一个。 做一个语音识别？ 我相信很多人
【小沐学Python】Python实现语音识别（Whisper）
爱看书的小沐
12-09 1万+
Whisper 是一种通用的语音识别模型。它是在包含各种音频的大型数据集上训练的，也是一个多任务模型，可以执行多语言语音识别、语音翻译和语言识别。Open AI在2022年9月21日开源了号称其英文语音辨识能力已达到人类水准的Whisper神经网络，且它亦支持其它98种语言的自动语音辨识。Whisper系统所提供的自动语音辨识（Automatic Speech Recognition，ASR）模型是被训练来运行语音辨识与翻译任务的，它们能将各种语言的语音变成文本，也能将这些文本翻译成英文。
基于Python的离线语音识别
08-16
通过PocketSphinx软件，使用自己的热词唤醒树莓派，并通过本地语音识别的方式来控制树莓派小车的运动 输入sudo pip3 install speechrecognition和sudo pip3 install pocketsphinx完成软件的安装 在树莓派/usr/local/...
人工智能-项目实践-语音识别-使用python进行语音识别
07-03
基于python的中文语音识别系统. 包含声学模型和语言模型两个部分组成，两个模型都是基于神经网络。 声学模型 - acoustic_model文件夹下 该项目实现了GRU-CTC中文语音识别声音模型，所有代码都在gru_ctc_am.py中，...
基于python实现的中文语音识别系统
04-24
### 基于python的中文语音识别系统. 包含声学模型和语言模型两个部分组成，两个模型都是基于神经网络。 - 声学模型 - `acoustic_model`文件夹下 - 该项目实现了GRU-CTC中文语音识别声音模型，所有代码都在`gru_ctc...
Python实现语音识别和语音合成功能
09-18
这篇文章讨论了使用Python语言来实现语音识别与语音合成的核心技术。下面详细解释文章中的主要知识点。...理解这些知识，可以帮助开发者在实际的项目中更好地运用Python进行语音识别和语音合成的开发。
基于DTW的语音识别python系统搭建
05-29
在构建一个基于DTW（Dynamic Time Warping，动态时间规整）的语音识别Python系统时，我们需要理解几个关键概念和技术。DTW是一种用于比较两个序列的算法，即使它们的长度不同，也能找到最佳的匹配路径。它在语音识别...
教你怎样用python进行语音识别
CDA数据分析师
11-22 544
作者 | 小隐 来源 | 淘气面包 网上找到一些例子，有一些成熟的模型，可以将语音转成文字。例如Cloud Speech API，但是需要你使用google云平台的前提。 speech recognition 对于python这一非常成熟的胶水语言，在网上找一些现成的工具包真的不是一个太难的问题。在GitHub上就发现了这样一个神奇的包：speech recogn...
python调用语音说中文_基于python实现百度语音识别和图灵对话
weixin_39631007的博客
11-23 273
图例如下上电后，只要周围声音超过 2000，开始录音5S录音上传百度识别，并返回结果文字输出继续等待，周围声音是否超过2000，没有就等待。点用电脑API语音交互代码如下# -*- coding: utf-8 -*-# 树莓派from pyaudio import PyAudio, paInt16import numpy as npfrom datetime import datetimeimpo...
【小沐学AI】Python实现语音识别（whisperX）
最新发布
爱看书的小沐
06-30 2382
Whisper 是一种通用语音识别模型。它是在各种音频的大型数据集上训练的，也是一个多任务模型，可以执行多语言语音识别、语音翻译和语言识别。Transformer 序列到序列模型针对各种语音处理任务进行训练，包括多语言语音识别、语音翻译、口语识别和语音活动检测。这些任务共同表示为解码器要预测的一系列标记，从而允许单个模型取代传统语音处理管道的许多阶段。多任务训练格式使用一组特殊标记作为任务说明符或分类目标。╮(￣▽￣)╭如果您感觉方法或代码不咋地//(ㄒoㄒ)//，就在评论处留言，作者继续改进；o_O。
python－百度语音识别与google语音识别测试
vseeker的专栏
05-09 1万+
python－百度语音识别与google语音识别测试
python 语音识别 windows_对Python 语音识别框架详解
weixin_28999575的博客
02-03 404
如下所示： from win32com.client import constantsimport osimport win32com.clientimport pythoncomspeaker = win32com.client.Dispatch("SAPI.SPVOICE")class SpeechRecognition:def __init__(self, wordsToAdd):self....
2024 年最新 Python 基于百度智能云实现短语音识别、语音合成详细教程
唤醒手腕
06-08 1837
AipSpeech是语音识别的Python SDK客户端，为使用语音识别的开发人员提供了一系列的交互方法。常量APP_ID在百度云控制台中创建，常量API_KEY与SECRET_KEY是在创建完毕应用后，系统分配给用户的，均为字符串，用于标识用户，为访问做签名验证，可在AI服务控制台中的应用列表中查看。采用国际领先的流式端到端语音语言一体化建模算法，将语音快速准确识别为文字，支持手机应用语音交互、语音内容分析、机器人对话等场景。读取本地 pcm 语音文件，识别语音的内容。
python语音识别代码_10行Python代码实现语音识别
weixin_39594439的博客
11-20 1198
语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术。在实际当中，语音识别技术有着广泛的应用。本文向大家讲解如何方便地调用百度AI开放平台提供的API方便地实现语音识别技术。要调用百度AI开放平台的API，首先需要一个百度账号。我想注册百度账号的过程应该不用向大家详细介绍了，大家应该在这边都是没啥问题的。需要注意的是，百度账号的安全性挺差的，不知为啥本人的账号开通了异地登...
Python实现语音识别
yan_dk的专栏
05-09 2万+
案例分析 概述 Python在语音识别方面功能很强大，程序语言简单高效，下面编程实现一下如何实现语音识别。本文实现案例是将文本转换成语音，给出实现代码，作为学习和技术交流。 Python基础环境准备 参见：https://blog.csdn.net/yan_dk/article/details/89528463 案例实现 环境准备 使用百度智能云提供的语音识...
python-语音识别
分享知识
10-17 1685
使用pyttsx的python包，你可以将文本转换为语音。 安装命令 pip install pyttsx3 -i https://pypi.tuna.tsinghua.edu.cn/simple 运行一个简单的语音‘大家好’。 import pyttsx3 as pyttsx engine = pyttsx.init() #初始化 engine.say('大家好') engine.runAndWait() 另一种文本转语音方法。 from win32com.client import .
利用python进行语音识别分析
06-12
1. SpeechRecognition：这是一个Python语音识别库，可以实现从麦克风、音频文件和在线语音识别等多种输入源进行语音识别。 2. PyAudio：这是一个Python库，可以实现音频输入和输出，支持麦克风输入、音频文件输入和...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值