Python 百度语音识别与合成REST API及ffmpeg使用

2022-12-01 18:24:32

操作系统：Windows
Python：3.5
欢迎加入学习交流QQ群：657341423

注意事项：接口支持 POST 和 GET两种方式，个人支持用post模式，因为get的话，如果get数据太长，会出现缺失的。
语音识别要求支持的语音格式
原始 PCM 的录音参数必须符合 8k/16k 采样率、16bit 位深、单声道，支持的压缩格式有：pcm（不压缩）、wav、opus、amr、x-flac。
简单说，语音参数必需要 8k/16k 采样率、16bit 位深、单声道，不然会出现内容和文字不相符的情况。

网上这类教程基本上都是Python urllib2实现的，这里我使用requests实现。

import requests

import json

import base64

import wave

from pydub import AudioSegment ###需要安装pydub、ffmpeg

import io

class BaiduRest:

    def __init__(self, cu_id, api_key, api_secert):

        # token认证的url

        self.token_url = "https://openapi.baidu.com/oauth/2.0/token"

        # 语音合成的resturl

        self.getvoice_url = "http://tsn.baidu.com/text2audio"

        # 语音识别的resturl

        self.upvoice_url = 'http://vop.baidu.com/server_api'

        self.cu_id = cu_id

        self.getToken(api_key, api_secert)

        return

    def getToken(self, api_key, api_secert):

        # 1.获取token

        data={'grant_type':'client_credentials','client_id':api_key,'client_secret':api_secert}

        r=requests.post(self.token_url,data=data)

        Token=json.loads(r.text)

        self.token_str = Token['access_token']

    def getVoice(self, text, filename):

        # 2. 向Rest接口提交数据

        data={'tex':text,'lan':'zh','cuid':self.cu_id,'ctp':1,'tok':self.token_str}

        r=requests.post(self.getvoice_url,data=data,stream=True)

        voice_fp = open(filename,'wb')

        voice_fp.write(r.raw.read())

        # for chunk in r.iter_content(chunk_size=1024):

            # voice_fp.write(chunk)

        voice_fp.close()

    def getText(self, filename):

        # 2. 向Rest接口提交数据

        data = {"format":"wav","rate":16000, "channel":1,"token":self.token_str,"cuid":self.cu_id,"lan":"zh"}

        # 语音的一些参数

        wav_fp = open(filename,'rb')

        voice_data = wav_fp.read()

        data['len'] = len(voice_data)

        data['speech'] = base64.b64encode(voice_data).decode('utf-8')

        post_data = json.dumps(data)

        r=requests.post(self.upvoice_url,data=bytes(post_data,encoding="utf-8"))

        # 3.处理返回数据

        return r.text

    def ConvertToWav(self,filename,wavfilename):

        #先从本地获取mp3的bytestring作为数据样本

        fp=open("out.mp3",'rb')

        data=fp.read()

        fp.close()

        #主要部分

        aud=io.BytesIO(data)

        sound=AudioSegment.from_file(aud,format='mp3')

        raw_data = sound._data

        #写入到文件，验证结果是否正确。

        l=len(raw_data)

        f=wave.open(wavfilename,'wb')

        f.setnchannels(1)

        f.setsampwidth(2)

        f.setframerate(16000)

        f.setnframes(l)

        f.writeframes(raw_data)

        f.close()

        return wavfilename

if __name__ == "__main__":

    #api_key和api_secert 自行编写

    api_key = ""

    api_secert = ""

    # 初始化

    bdr = BaiduRest("test_python", api_key, api_secert)

    # 将字符串语音合成并保存为out.mp3

    bdr.getVoice("问题,作为开发人员,你的职责是什么,答按照工作进度和编程工作规范编写系统中的关键模块,设计编写详细设计,配合测试员修改相应的程序,提供软件的后期技术支持,进行编码实现,代码走查,单元测试,产品交付,", "out.mp3")

    # 识别test.wav语音内容并显示

    print(bdr.getText(bdr.ConvertToWav("out.mp3","test.wav")))

运行结果：

设计思想：这里先将语音合成，生成MP3格式，然后将这段语音转换wav格式。然后再去语音识别。
在实际开发中，可以通过录音，得到一段音频文件，然后再转换wav格式。再去识别即可。
这里涉及到pydub 的安装。直接pip install pydub安装即可。
ffmpeg安装可以参考：ffmpeg安装
ffmpeg下载一定是static

总结：基本上都是调用百度的api接口就完成语音的识别和合成，但是值得注意的语音识别的要求和条件，就算得到wav格式，建议都转换一下格式。不然识别上会与内容不同。

原文地址：http://blog.csdn.net/HuangZhang_123/article/details/72819145

码农公寓

相关文章