语音识别技术，也被称为自动语音识别，目标是以电脑自动将人类的语音内容转换为相应的文字。应用包括语音拨号、语音导航、室内设备控制、语音文档检索、简单的听写数据录入等。
一、功能概述
实现将语音转换为文字，调取第3方接口。比如百度ai，图灵机器人，得到想要的结果。
二、软件环境
操作系统：win10
语言：Python 版本：3.5.4
Python库：baidu-aip
三、原理概述
利用windows自带的录音机，基于百度API进行wav格式的音频转文本。根据文本，调取图灵机器人接口，得到结果。
四、部署工作
1 登录百度ai，链接为：
https://ai.baidu.com/
登录账户(如果你有百度，可以直接登录，否则需要注册)
点击右边的控制台->直接进入
进入之后，拖动进度条到中间。找到已开通服务，点击百度语言。
点击创建应用
应用名字，可以自定义。我写的是语音识别，默认就已经开通了语音识别和语音合成。
这就够了，所以接口选择，不用再选了。
语音包名，选择不需要。因为接下来要展示的是用Python代码实现的，不是android和ios
应用描述，这里一定要好好写啊。不然不通过的！
点击立即创建，瞬间就创建成功了。我估摸着，我写的描述太吊了。百度不得不同意哈！
点击返回列表，在Secret Key的下面，点击显示。
复制AppID，API Key，Secret Key 这3个信息到一个文件里面。接下来的Python代码会用到！
点击左侧的技术文档
点击左边的语言合成->SDK文档->Python SDK
文本不能太长
目录结构
支持2x和3x
打开windows的cmd窗口，输入命令 pip3 install baidu-aip
我已经安装好了，效果如下:
打开Pycharm，新建一个目录ai
创建文件audio_text.py
代码如下:
import time
from aip import AipSpeech
""" 你的 APPID AK SK """
APP_ID = '11212345'
API_KEY = 'pVxdhsXS1BIaiwYYNT712345'
SECRET_KEY = 'BvHQOts27LpGFbt3RAOv84WfPCW12345'
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)将前面提到的AppID，API Key，Secret Key，复制到对应位置。
上面的id和KEY，后5位我改了，复制我的也没有用！
继续看文档，下面的代码可以把文件变成语言
代码如下：
from aip import AipSpeech
""" 你的 APPID AK SK """
APP_ID = '11212345'
API_KEY = 'pVxdhsXS1BIaiwYYNT712345'
SECRET_KEY = 'BvHQOts27LpGFbt3RAOv84WfPCW12345'
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
result = client.synthesis('你好百度', 'zh', 1, {
'vol': 5,
})
# 识别正确返回语音二进制 错误则返回dict 参照下面错误码
if not isinstance(result, dict):
with open('auido.mp3', 'wb') as f:
f.write(result)执行代码，会看到当前目录出现了一个auido.mp3文件，打开播放器，听一下声音。
我用QQ影音，打开正常
看参数
看上面的代码，可以发现
'你好百度' 对于参数text
'zh' 表示中文
1 表示客户度类型
result = client.synthesis('你好百度', 'zh', 1, {
'vol': 5,
})再来加几个参数
result = client.synthesis('你好百度', 'zh', 1, {
'spd':5, # 语速-中等
'vol': 5, # 音量-中等
'pit':5, # 音调-中等
'per':0 # 发音人-女声
})per的参数，如果是0，表示女声。我比较喜欢听女声，不要问我为什么!
语速，音量，音调，大家可以自行调节，声音会有相应的变化。
假设一段文件，有1000个子，可以使用split()方法切割，就可以得到多段语言。
接下来，需要进行语音识别，看文档
点击左边的百度语言->语音识别->Python SDK
支持的语言格式有3种。分别是pcm,wav,amr
建议使用pcm，因为它比较好实现。而另外2种语言格式，有非常高的要求，只有专业级别的设备才能录制。它才能达到百度的要求。
使用windows录音工具，保存的是wav格式，那么就需要将wav转换为pcm格式。
下面介绍一个工具ffmpeg，百度搜索就能找到。
打开网址：
http://ffmpeg.org/download.html
点击windows图标，点击Builds
我的电脑是64位系统，选择64位，一定要选择Shared，最后点击下载。
下载完成后，将包解压到你常用的安装目录，我的安装目录是D:\Program Files (x86)
进入目录
D:\Program Files (x86)\ffmpeg-20180518-16b4f97-win64-shared\bin
里面有一个ffmpeg.exe，后面的Python代码会调用它。
添加环境变量
打开我的电脑->高级系统设置->环境变量->编辑
点击右边的新建，输入路径D:\Program Files (x86)\ffmpeg-20180518-16b4f97-win64-shared\bin
之后，一路确定...
关闭cmd窗口，再次打开cmd窗口，输入命令 ffmpeg
出现下面橘黄色提示，就表示环境变量添加成功了。
这个时候，一定要关闭Pycharm，否则Pycharm识别不到。
再次开启Pycharm
Pycharm用法如下：
ffmpeg -y -i %s -acodec pcm_s16le -f s16le -ac 1 -ar 16000 %s.pcm第一个%s 表示原始文件
第二个%s 也是原始文件，它加了后缀.pcm
继续看文档，语言时长，不要超过60s
请求时，要指定一个pcm格式的文件
看参数，主要用到的是rate和1536
上图的16000表示采样率
1536表示能识别中文和英文，它的容错率比较高
1537必须是标准的普通话，带点地方口音是不行的。
所以建议使用1536
打开win10自带的录音机，录制一段声音，比如：你叫什么呀
一定要带一个呀字，下面的代码执行会输出10个结果，否则只有一个！
注意：笔记本的麦克风在摄像头的2边，所以录制的时候，一定要对着摄像头！
默认为m4a格式的，重命名为whatyouname.m4a，将文件放入ai目录
新增文件a_t.py，内容如下：
from aip import AipSpeech
""" 你的 APPID AK SK """
APP_ID = '11212345'
API_KEY = 'pVxdhsXS1BIaiwYYNT712345'
SECRET_KEY = 'BvHQOts27LpGFbt3RAOv84WfPCW12345'
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
a = client.asr(get_file_content('whatyouname.m4a'), 'pcm', 16000, {
'dev_pid': 1536,
})
print(a)注意上面的id和key。文件名为whatyouname.wav
执行文件，输出：
{'sn': '7436726851526824321', 'err_no': 3301, 'err_msg': 'speech quality error.'}
返回错误'err_no': 3301
看文档
找下面对应的3301，表示声音不清晰!
再仔细用播放器，播放一下刚才的声音，挺清晰的呀！
这里报3301不是因为声音不清晰，而是格式不支持。
使用os模块调用ffmpeg实现转码
代码如下：
import os
from aip import AipSpeech
""" 你的 APPID AK SK """
APP_ID = '11212345'
API_KEY = 'pVxdhsXS1BIaiwYYNT712345'
SECRET_KEY = 'BvHQOts27LpGFbt3RAOv84WfPCW12345'
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
# 读取文件
def get_file_content(filePath):
cmd_str = "ffmpeg -y -i %s -acodec pcm_s16le -f s16le -ac 1 -ar 16000 %s.pcm"%(filePath,filePath)
os.system(cmd_str) # 调用系统命令ffmpeg,传入音频文件名即可
with open(filePath + ".pcm", 'rb') as fp:
return fp.read()
# 识别本地文件
a = client.asr(get_file_content('whatyouname.m4a'), 'pcm', 16000, {
'dev_pid': 1536,
})
print(a)执行输出，效果如下：
上面红色文件，不是报错，而是转码过程
主要看err_msg是什么，这里显示success，表示成功。
在ai目录下，会多出一个文件whatyouname.m4a.pcm。这个文件才是刚才真正发给百度的语言文件
返回的结果是一个字典，第一个结果，一般是最正确的。取第一个，就可以了!
接下来，就需要从字典取值。字典取值，不要用以下这种方法：
print(a['result'])为什么呢？如果key不存在，会直接报错!毕竟报错，是要崩溃的...
所以建议使用get方法，将最后一行的print(a)，修改为以下内容：
完整代码，我就不贴了。
if a.get('result'):
print(a.get('result')[0])执行输出：
从结果上来看就只有一个了。
jieba分词，完全开源，有集成的python库，简单易用。
jieba分词是基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)，动态规划查找最大概率路径, 找出基于词频的最大切分组合
安装jieba
在安装有python3 和 pip 的机子上，安装jieba库很简单，使用pip即可：pip3 install jieba
由于包很大，默认使用国外更新源比较慢，下面使用国内更新源安装
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple jieba
下图表示已经安装好了
新建一个文件jieba_test.py，代码如下：
import jieba
a = jieba.cut('你叫什么名字')
print(a)执行输出：
它是一个生成器对象，转换为列表
import jieba
a = list(jieba.cut('你叫什么名字'))
print(a)执行输出：
换一句话
import jieba
a = list(jieba.cut('我想听周杰伦的夜曲'))
print(a)执行输出：
发现，断句不对。应该是下面的结果
['我想听', '周杰伦', '的', '夜曲']新建一个words.py文件，用来存放关键字，内容如下：
KEY_WORDS = ["我想听",
"我要听",
"播放",
"名字是什么",
"名字叫什么",
"你叫什么名字"
]导入words模块，也就是上面写的文件
import jieba
import words
for i in words.KEY_WORDS: # 遍历关键字
jieba.add_word(i) # 在程序中动态修改词典
a = list(jieba.cut('我想听周杰伦的夜曲'))
print(a)执行输出：
除了使用jieba.cut以外，还有一个方法jieba.cut_for_search
该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细
图灵机器人是以语义技术为核心驱动力的人工智能公司，致力于“让机器理解世界”，产品服务包括机器人开放平台、机器人OS和场景方案。
官方地址为：
http://www.tuling123.com/
首先得注册一个账号，或者使用第3方登录，都可以。
登录之后，点击创建机器人
机器人名称，可以是自己定义的名字
选择网站->教育学习->其他 输入简介
创建成功之后，点击终端设置，拉到最后。
可以看到api接入，下面有一个apikey，待会会用到
右侧有一个窗口，可以和机器人聊天
点击api使用文档，初学者，先看Web API V1.0的
新建一个文件tuling.py，内容如下：
import json
import requests
urls = 'http://www.tuling123.com/openapi/api' # 请求地址
data_str = {
"key":"6a944508fd5c4d499b9991862ea12345", # 你的apikey
"info":'今天天气怎么样', # 请求内容
"userid":123, # 开发者给自己的用户分配的唯一标志
}
a = requests.post(urls,data_str) # 必须使用post请求
content = (a._content).decode('utf-8') # 获取返回结果_content属性，并解码
s = json.loads(content) # 反序列化
print(s)key是你创建机器人的apikey,上面的代码，后5位我改了，复制没用的！
执行代码输出：
{'text': '请问你想查询哪个城市', 'code': 100000}
修改info为 北京
再次执行，输出：
{'code': 100000, 'text': '北京:周日 05月27日,多云 西南风3-4级,最低气温17度，最高气温32度'}
参数解释：
userid 表示上下文标记，用来区分用户。举个例子，如果我更改了userid，那么我问"今天天气怎么样"
它会返回给我"你想查询哪个城市"。而我不改userid，它会直接返回天气结果。
上下文，好像只能保留上一次，我回复的内容。
a的返回结果是一个requests对象，_content才是我们真正需要的结果。
它是一个bytes类型，需要解码。解码之后一个json数据类型，反序列之后，就可以得到字符串了。
得到字符串之后，就可以调用百度接口，生成语音文件
创建一个audio_test.py文件，用来将字符串生成语音文件，内容如下：
import time
from aip import AipSpeech
""" 你的 APPID AK SK """
APP_ID = '11212345'
API_KEY = 'pVxdhsXS1BIaiwYYNT712345'
SECRET_KEY = 'BvHQOts27LpGFbt3RAOv84WfPCW12345'
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
def text_to_audio(text):
file_name = time.time() # 保证文件名不重复
result = client.synthesis(text, 'zh', 1, {
'spd':5,
'vol': 5,
'pit':5,
'per':0
})
# 识别正确返回语音二进制 错误则返回dict 参照下面错误码
if not isinstance(result, dict):
with open('%s.mp3'%(file_name), 'wb') as f:
f.write(result)
return '%s.mp3'%(file_name)打开tuling.py，导入模块audio_test
import json
import requests
import audio_text
urls = 'http://www.tuling123.com/openapi/api' # 请求地址
data_str = {
"key":"6a944508fd5c4d499b9991862ea12345", # 你的apikey
"info":'今天天气怎么样', # 请求内容
"userid":123, # 开发者给自己的用户分配的唯一标志
}
a = requests.post(urls,data_str) # 必须使用post请求
content = (a._content).decode('utf-8') # 获取返回结果_content属性，并解码
s = json.loads(content) # 反序列化
print(audio_text.text_to_audio(s.get['text']))执行输出：
1527421766.491485.mp3
在当前目录会生成一个音频文件，打开播放一下
有一个女生的声音，说："请问你想查询哪个城市"
非常Nice
修改a_t.py，封装成函数，完整代码如下：
import os
from aip import AipSpeech
""" 你的 APPID AK SK """
APP_ID = '11212345'
API_KEY = 'pVxdhsXS1BIaiwYYNT712345'
SECRET_KEY = 'BvHQOts27LpGFbt3RAOv84WfPCW12345'
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
def get_file_content(filePath):
print(filePath)
cmd_str = "ffmpeg -y -i %s -acodec pcm_s16le -f s16le -ac 1 -ar 16000 %s.pcm"%(filePath,filePath)
print(cmd_str)
os.system(cmd_str)
with open(filePath+".pcm", 'rb') as fp:
return fp.read()
# 识别本地文件
def audio_text(file_path):
a = client.asr(get_file_content(file_path), 'pcm', 16000, {
'dev_pid': 1536,
})
# print(a["result"])
if a.get("result") :
return a.get("result")[0]修改jieba_test.py，导入模块，完整代码如下：
import jieba
import words
import tuling
for i in words.KEY_WORDS:
jieba.add_word(i)
def fenci(text):
a = list(jieba.cut(text))
# print(a)
user_key_name={
"你叫",
"你叫什么",
"你的名字",
"名字叫什么",
"你叫什么名字",
"名字是什么"
}
if user_key_name.intersection(a):
a = tuling.to_tuling('我叫肖',1)
#print('我叫肖')
print(a)
return a
a = tuling.to_tuling(text,'ai01')
return a修改tuling.py，完整内容如下：
import json
import requests
import audio_text
urls = 'http://www.tuling123.com/openapi/api'
def to_tuling(text,uid):
data_str = {
"key":"6a944508fd5c4d499b9991862ea12345",
"info":text,
"userid":uid,
}
a = requests.post(urls,data_str)
content = (a._content).decode('utf-8')
s = json.loads(content)
print(s)
return audio_text.text_to_audio(s.get('text'))新建文件wen_da.py,内容如下：
import a_t
import jieba_test
a = a_t.audio_text('How_is_the_weather.wav')
b = jieba_test.fenci(a)How_is_the_weather.wav是我提前录制好的文件，内容是，北京天气如何？
执行wen_da.py，输出：
北京天气如何
{'code': 100000, 'text': '北京:周日 05月27日,多云 西南风3-4级,最低气温17度，最高气温32度'}
1527423163.572486.mp3
打开文件1527423163.572486.mp3，听声音，内容应该是
北京:周日 05月27日,多云 西南风3-4级,最低气温17度，最高气温32度
本地版的语言识别到这里就结束了！
这种方式很繁琐，很LOW!
来，看一个高大上的效果：
基于flask框架的语言识别系统
点击按钮，开始说话
说完之后，就直接语言播放天气
还能成语接龙
说不知道，就自动退出成语接龙模式
还可以听歌，比如说:"我想听世上只有妈妈好"
就会直接播放音乐
播放音乐功能，是调用了一个第3方接口musicapi
是不是很6呢？
预知后事如何,请听下回分解
注意博客更新即可！
