python语音识别

发布时间:2018-05-27 20:57:23编辑:admin阅读(9870)

    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

    blob.png

    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。

    blob.png

    点击创建应用

    blob.png

    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!

    blob.png

    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!

    blob.png

    点击左侧的技术文档

    blob.png

    点击左边的语言合成->SDK文档->Python SDK

    blob.png

    文本不能太长
    blob.png

    目录结构

    blob.png

    支持2x和3x

    blob.png

    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:

    blob.png


    blob.png


    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

    blob.png

    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

    blob.png

    看参数

    blob.png

    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

    blob.png

    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。

    blob.png

    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

    blob.png

    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。

    blob.png

    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

    blob.png

    点击右边的新建,输入路径D:\Program Files (x86)\ffmpeg-20180518-16b4f97-win64-shared\bin

    blob.png

    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。

    blob.png

    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

    blob.png

    请求时,要指定一个pcm格式的文件

    blob.png

    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

    blob.png

    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!

    blob.png

    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

    blob.png

    找下面对应的3301,表示声音不清晰!

    blob.png

    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:

    blob.png

    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:blob.png

    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

    blob.png


    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:

    blob.png

    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:

    blob.png

    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:

    blob.png

    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:

    blob.png

    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

    blob.png

    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

    blob.png

    右侧有一个窗口,可以和机器人聊天

    blob.png

    点击api使用文档,初学者,先看Web API V1.0的

    blob.png


    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

    blob.png

    说完之后,就直接语言播放天气

    blob.png

    还能成语接龙

    blob.png

    说不知道,就自动退出成语接龙模式


    blob.png

    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

    blob.png

    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!


关键字

上一篇: 没有了

下一篇: 没有了