离线语音识别编程示例

朱德平 新疆乌鲁木齐

1.音频处理

语音识别前，需要根据语音识别API的要求，对原始音频文件进行预处理，下面主要介绍音频编码转换和语音分割两项功能。

1.1 编码转换

语音识别API一般对语音文件的编码算法、声道数、采样频率、量化比特等参数有要求，因此需要对原始语音文件进行编码转换，可以利用FFmpeg或者Pydub实现。FFmpeg是一个跨平台的音视频录制、转换、流化工具，其音频编码转换的命令示例：

os.system("ffmpeg -i speech.mp3 -acodec pcm_s16le-ac 1 -ar 16000 speech.wav")

Python语言中将speech.mp3转换成单声道、16K采样率、16量化比特的wav文件。

Pydub是Python的一个音频库，提供了简单、易于使用的音频编程接口，其中编码转换的示例：

from pydub import AudioSegment

speech = AudioSegment.from_mp3("speech.mp3")

speech.export("speech.wav", format="wav",parameters=["-ac", "1", "-ar", "16000"])

1.2 语音分割

由于语音识别API通常对语音的时长有限制，例如不能超过60s等，因此需要对语音文件进行分割，一般采用VAD进行分割。VAD（语音激活检测，又叫语音端点检测），是指通过对语音信号和噪声信号的分析，区别语音区域和非语音区域，利用VAD进行语音分割的基本思路是将语音分割成时长10-30ms的帧，判断每一帧是否是语音信号。 WebRTC VAD是VAD的一个常用实现，py-webrtcvad是它的Python包装库，代码示例：

import webrtcvad

vad = webrtcvad.Vad()

sample_rate = 16000

result=vad.is_speech(frame, sample_rate)

其中frame是分割的帧，result为帧是否为语音的布尔值。

2.语音识别

百度AI开放平台支持离线语音识别，要求音频文件单声道、采样率8K或16K，16位量化比特，文件格式是pcm、wav等。语音时间最长60s。代码示例：

from aip import AipSpeech

aipSpeech = AipSpeech(APP_ID, API_KEY, SECRET_KEY)

with open(file_path, 'rb') as file：

speech_content = file.read()

result = aipSpeech.asr(speech_content, 'pcm', 16000, {'dev_pid'： 1536})

if result["err_no"] == 0：

print("识别成功，文本是：{}".format(result["result"][0]))

else：

print("识别出错：{}".format(result["err_msg"]))

其中APP_ID,、API_KEY,、SECRET_KEY注册百度平台和创建应用时系统会创建和分配，file_path是语音文件名，dev_pid属性设置语言类型，1536为普通话识别，1537为英语识别。识别结果result为Json结构的数据，其中result["err_no"]若为0，代表识别成功，result["result"]是识别的1-5个候选结果，若result["err_no"]为其它数字，则表示识别出错，result["err_no"]为错误码。……