百度语音合成与语音识别api使用（Java版本）

迈不过友情╰ 2022-05-16 04:19 952阅读 0赞

> 百度语音合成官方文档：[https://ai.baidu.com/docs\#/TTS-Online-Java-SDK/top][https_ai.baidu.com_docs_TTS-Online-Java-SDK_top]  
> 百度语音识别官方文档：[https://ai.baidu.com/docs\#/ASR-Online-Java-SDK/top][https_ai.baidu.com_docs_ASR-Online-Java-SDK_top]

本文项目源码下载：[https://github.com/Blankwhiter/SpeechSynthesizer][https_github.com_Blankwhiter_SpeechSynthesizer]

# 第一步 注册百度账号 以及 创建创建应用 #

读者请自行注册，以及创建应用 并在创建应用过程中加入接口选择。创建完成后，可得到AppID，API Key，Secret Key。如果任何问题，请在评论留言。最终结果应用详情界面如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JlbG9uZ2h1YW5nMTU3NDA1_size_16_color_FFFFFF_t_70]

# 第二步 加入开发所需环境 #

在springboot的pom.xml中dependencies节点下 加入fastjson，百度aip的JavaSDK，以及mp3转pcm的mp3spi。  
pom.xml 文件如下：

<?xml version="1.0" encoding="UTF-8"?>
    <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    	<modelVersion>4.0.0</modelVersion>
    
    	<groupId>com.example</groupId>
    	<artifactId>speechsynthesizer</artifactId>
    	<version>0.0.1-SNAPSHOT</version>
    	<packaging>jar</packaging>
    
    	<name>SpeechSynthesizer</name>
    	<description>Demo project for Spring Boot</description>
    
    	<parent>
    		<groupId>org.springframework.boot</groupId>
    		<artifactId>spring-boot-starter-parent</artifactId>
    		<version>2.0.4.RELEASE</version>
    		<relativePath/> 
    	</parent>
    
    	<properties>
    		<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    		<project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>
    		<java.version>1.8</java.version>
    	</properties>
    
    	<dependencies>
    		<dependency>
    			<groupId>org.springframework.boot</groupId>
    			<artifactId>spring-boot-starter</artifactId>
    		</dependency>
    
    		<dependency>
    			<groupId>org.springframework.boot</groupId>
    			<artifactId>spring-boot-starter-test</artifactId>
    			<scope>test</scope>
    		</dependency>
    		
    		<dependency>
    			<groupId>org.projectlombok</groupId>
    			<artifactId>lombok</artifactId>
    			<optional>true</optional>
    		</dependency>
    
    		
    		<dependency>
    			<groupId>com.alibaba</groupId>
    			<artifactId>fastjson</artifactId>
    			<version>1.2.47</version>
    		</dependency>
    
    		
    		<dependency>
    			<groupId>com.baidu.aip</groupId>
    			<artifactId>java-sdk</artifactId>
    			<version>4.1.1</version>
    		</dependency>
    
    		
    		<dependency>
    			<groupId>com.googlecode.soundlibs</groupId>
    			<artifactId>mp3spi</artifactId>
    			<version>1.9.5.4</version>
    		</dependency>
    
    	</dependencies>
    
    	<build>
    		<plugins>
    			<plugin>
    				<groupId>org.springframework.boot</groupId>
    				<artifactId>spring-boot-maven-plugin</artifactId>
    			</plugin>
    		</plugins>
    	</build>
    
    
    </project>

# 第三步 编写语音合成代码 #

内容如下：

/** * 单例 懒加载模式 返回实例 * @return */
        public static AipSpeech getInstance(){ 
            if (client==null){ 
                synchronized (AipSpeech.class){ 
                    if (client==null) { 
                        client = new AipSpeech(APP_ID, API_KEY, SECRET_KEY);
                    }
                }
            }
            return client;
        }
    
        /** * 语音合成 * @param word 文字内容 * @param outputPath 合成语音生成路径 * @return */
        public static boolean SpeechSynthesizer(String word, String outputPath) { 
            /* 最长的长度 */
            int maxLength = 1024;
            if (word.getBytes().length >= maxLength) { 
                return false;
            }
            // 初始化一个AipSpeech
            client = getInstance();
    
            // 可选：设置网络连接参数
            client.setConnectionTimeoutInMillis(2000);
            client.setSocketTimeoutInMillis(60000);
    
            // 可选：设置代理服务器地址, http和socket二选一，或者均不设置
    // client.setHttpProxy("proxy_host", proxy_port); // 设置http代理
    // client.setSocketProxy("proxy_host", proxy_port); // 设置socket代理
    
            // 调用接口
            TtsResponse res = client.synthesis(word, "zh", 1, null);
            byte[] data = res.getData();
            org.json.JSONObject res1 = res.getResult();
            if (data != null) { 
                try { 
                    Util.writeBytesToFileSystem(data, outputPath);
                } catch (IOException e) { 
                    e.printStackTrace();
                }
                return true;
            }
            if (res1 != null) { 
                log.info(" result : " + res1.toString());
            }
            return false;
    
        }

使用示例：

SpeechSynthesizer("简单测试百度语音合成", "d:/SpeechSynthesizer.mp3");

*注：语音合成文字是不能超过1024字节，读者可自行改装，将多次内容合成进行拼装。*

# 第四步 编写语音识别代码 #

/** * 语音识别 * @param videoPath * @param videoType * @return */
        public static String SpeechRecognition(String videoPath, String videoType) { 
            // 初始化一个AipSpeech
            client = getInstance();
    
            // 可选：设置网络连接参数
            client.setConnectionTimeoutInMillis(2000);
            client.setSocketTimeoutInMillis(60000);
    
            // 可选：设置代理服务器地址, http和socket二选一，或者均不设置
    // client.setHttpProxy("proxy_host", proxy_port); // 设置http代理
    // client.setSocketProxy("proxy_host", proxy_port); // 设置socket代理
    
    
            // 调用接口
            JSONObject res = client.asr(videoPath, videoType, 16000, null);
            log.info(" SpeechRecognition : " + res.toString());
            return res.toString(2);
        }
    
    
        /** * mp3转pcm * @param mp3filepath MP3文件存放路径 * @param pcmfilepath pcm文件保存路径 * @return */
        public static boolean convertMP32Pcm(String mp3filepath, String pcmfilepath){ 
            try { 
                //获取文件的音频流，pcm的格式
                AudioInputStream audioInputStream = getPcmAudioInputStream(mp3filepath);
                //将音频转化为 pcm的格式保存下来
                AudioSystem.write(audioInputStream, AudioFileFormat.Type.WAVE, new File(pcmfilepath));
                return true;
            } catch (IOException e) { 
                // TODO Auto-generated catch block
                e.printStackTrace();
                return false;
            }
        }
    
        /** * 获得pcm文件的音频流 * @param mp3filepath * @return */
        private static AudioInputStream getPcmAudioInputStream(String mp3filepath) { 
            File mp3 = new File(mp3filepath);
            AudioInputStream audioInputStream = null;
            AudioFormat targetFormat = null;
            try { 
                AudioInputStream in = null;
                MpegAudioFileReader mp = new MpegAudioFileReader();
                in = mp.getAudioInputStream(mp3);
                AudioFormat baseFormat = in.getFormat();
                targetFormat = new AudioFormat(AudioFormat.Encoding.PCM_SIGNED, baseFormat.getSampleRate(), 16,
                        baseFormat.getChannels(), baseFormat.getChannels()*2, baseFormat.getSampleRate(), false);
                audioInputStream = AudioSystem.getAudioInputStream(targetFormat, in);
            } catch (Exception e) { 
                e.printStackTrace();
            }
            return audioInputStream;
        }

使用示例：

convertMP32Pcm("d:/SpeechSynthesizer.mp3","d:/SpeechSynthesizer.pcm");
            SpeechRecognition("d:/SpeechSynthesizer.pcm","pcm");

*注：原始 PCM 的录音参数必须符合 8k/16k 采样率、16bit 位深、单声道，支持的格式有：pcm（不压缩）、wav（不压缩，pcm编码）、amr（压缩格式）。语音时长上限为60s，请不要超过这个长度，否则会返回错误。*

# 第五步 合成一个工具类 #

SpeechUtil.java 内容如下：

import com.baidu.aip.speech.AipSpeech;
    import com.baidu.aip.speech.TtsResponse;
    import com.baidu.aip.util.Util;
    import javazoom.spi.mpeg.sampled.file.MpegAudioFileReader;
    import lombok.extern.slf4j.Slf4j;
    import org.json.JSONObject;
    
    import javax.sound.sampled.AudioFileFormat;
    import javax.sound.sampled.AudioFormat;
    import javax.sound.sampled.AudioInputStream;
    import javax.sound.sampled.AudioSystem;
    import java.io.File;
    import java.io.IOException;
    
    /** * 百度语音工具类 */
    @Slf4j
    public class SpeechUtil { 
    
    
        public static final String APP_ID = "11679901";
    
        public static final String API_KEY = "FMkPBfeCmc7kGQmhHr3prGzN";
    
        public static final String SECRET_KEY = "WpWbnNu9SDUscwWTs2sQRtw1WXvGssCg";
    
        private static AipSpeech client;
    
        public static void main(String[] args) throws IOException { 
    // SpeechSynthesizer("简单测试百度语音合成", "d:/SpeechSynthesizer.mp3");
            convertMP32Pcm("d:/SpeechSynthesizer.mp3","d:/SpeechSynthesizer.pcm");
            SpeechRecognition("d:/SpeechSynthesizer.pcm","pcm");
        }
    
    
        /** * 单例 懒加载模式 返回实例 * @return */
        public static AipSpeech getInstance(){ 
            if (client==null){ 
                synchronized (AipSpeech.class){ 
                    if (client==null) { 
                        client = new AipSpeech(APP_ID, API_KEY, SECRET_KEY);
                    }
                }
            }
            return client;
        }
    
        /** * 语音合成 * @param word 文字内容 * @param outputPath 合成语音生成路径 * @return */
        public static boolean SpeechSynthesizer(String word, String outputPath) { 
            /* 最长的长度 */
            int maxLength = 1024;
            if (word.getBytes().length >= maxLength) { 
                return false;
            }
            // 初始化一个AipSpeech
            client = getInstance();
    
            // 可选：设置网络连接参数
            client.setConnectionTimeoutInMillis(2000);
            client.setSocketTimeoutInMillis(60000);
    
            // 可选：设置代理服务器地址, http和socket二选一，或者均不设置
    // client.setHttpProxy("proxy_host", proxy_port); // 设置http代理
    // client.setSocketProxy("proxy_host", proxy_port); // 设置socket代理
    
            // 调用接口
            TtsResponse res = client.synthesis(word, "zh", 1, null);
            byte[] data = res.getData();
            org.json.JSONObject res1 = res.getResult();
            if (data != null) { 
                try { 
                    Util.writeBytesToFileSystem(data, outputPath);
                } catch (IOException e) { 
                    e.printStackTrace();
                }
                return true;
            }
            if (res1 != null) { 
                log.info(" result : " + res1.toString());
            }
            return false;
    
        }
    
        /** * 语音识别 * @param videoPath * @param videoType * @return */
        public static String SpeechRecognition(String videoPath, String videoType) { 
            // 初始化一个AipSpeech
            client = getInstance();
    
            // 可选：设置网络连接参数
            client.setConnectionTimeoutInMillis(2000);
            client.setSocketTimeoutInMillis(60000);
    
            // 可选：设置代理服务器地址, http和socket二选一，或者均不设置
    // client.setHttpProxy("proxy_host", proxy_port); // 设置http代理
    // client.setSocketProxy("proxy_host", proxy_port); // 设置socket代理
    
    
            // 调用接口
            JSONObject res = client.asr(videoPath, videoType, 16000, null);
            log.info(" SpeechRecognition : " + res.toString());
            return res.toString(2);
        }
    
    
        /** * mp3转pcm * @param mp3filepath MP3文件存放路径 * @param pcmfilepath pcm文件保存路径 * @return */
        public static boolean convertMP32Pcm(String mp3filepath, String pcmfilepath){ 
            try { 
                //获取文件的音频流，pcm的格式
                AudioInputStream audioInputStream = getPcmAudioInputStream(mp3filepath);
                //将音频转化为 pcm的格式保存下来
                AudioSystem.write(audioInputStream, AudioFileFormat.Type.WAVE, new File(pcmfilepath));
                return true;
            } catch (IOException e) { 
                // TODO Auto-generated catch block
                e.printStackTrace();
                return false;
            }
        }
    
        /** * 获得pcm文件的音频流 * @param mp3filepath * @return */
        private static AudioInputStream getPcmAudioInputStream(String mp3filepath) { 
            File mp3 = new File(mp3filepath);
            AudioInputStream audioInputStream = null;
            AudioFormat targetFormat = null;
            try { 
                AudioInputStream in = null;
                MpegAudioFileReader mp = new MpegAudioFileReader();
                in = mp.getAudioInputStream(mp3);
                AudioFormat baseFormat = in.getFormat();
                targetFormat = new AudioFormat(AudioFormat.Encoding.PCM_SIGNED, baseFormat.getSampleRate(), 16,
                        baseFormat.getChannels(), baseFormat.getChannels()*2, baseFormat.getSampleRate(), false);
                audioInputStream = AudioSystem.getAudioInputStream(targetFormat, in);
            } catch (Exception e) { 
                e.printStackTrace();
            }
            return audioInputStream;
        }
    
    }

*注：开发工具需要安装lombok*

写在最后，读者如需更多详情配置请移步到百度api官网进行查阅。

附录：  
1.语音合成错误码对应表：  
**SDK本地检测参数返回的错误码：**

<table> 
 <thead> 
  <tr> 
   <th>error_code</th> 
   <th>error_msg</th> 
   <th>备注</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>SDK108</td> 
   <td>connection or read data time out</td> 
   <td>连接超时或读取数据超时</td> 
  </tr> 
 </tbody> 
</table>

**服务端返回的错误码：**

<table> 
 <thead> 
  <tr> 
   <th>错误码</th> 
   <th>含义</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>500</td> 
   <td>不支持的输入</td> 
  </tr> 
  <tr> 
   <td>501</td> 
   <td>输入参数不正确</td> 
  </tr> 
  <tr> 
   <td>502</td> 
   <td>token验证失败</td> 
  </tr> 
  <tr> 
   <td>503</td> 
   <td>合成后端错误</td> 
  </tr> 
 </tbody> 
</table>

2.语音识别错误码对应表：  
**SDK本地检测参数返回的错误码：**

**服务端返回的错误码**

<table> 
 <thead> 
  <tr> 
   <th>错误码</th> 
   <th>用户输入/服务端</th> 
   <th>含义</th> 
   <th>一般解决方法</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>3300</td> 
   <td>用户输入错误</td> 
   <td>输入参数不正确</td> 
   <td>请仔细核对文档及参照demo，核对输入参数</td> 
  </tr> 
  <tr> 
   <td>3301</td> 
   <td>用户输入错误</td> 
   <td>音频质量过差</td> 
   <td>请上传清晰的音频</td> 
  </tr> 
  <tr> 
   <td>3302</td> 
   <td>用户输入错误</td> 
   <td>鉴权失败</td> 
   <td>token字段校验失败。请使用正确的API_KEY 和 SECRET_KEY生成</td> 
  </tr> 
  <tr> 
   <td>3303</td> 
   <td>服务端问题</td> 
   <td>语音服务器后端问题</td> 
   <td>请将api返回结果反馈至论坛或者QQ群</td> 
  </tr> 
  <tr> 
   <td>3304</td> 
   <td>用户请求超限</td> 
   <td>用户的请求QPS超限</td> 
   <td>请降低识别api请求频率 （qps以appId计算，移动端如果共用则累计）</td> 
  </tr> 
  <tr> 
   <td>3305</td> 
   <td>用户请求超限</td> 
   <td>用户的日pv（日请求量）超限</td> 
   <td>请“申请提高配额”，如果暂未通过，请降低日请求量</td> 
  </tr> 
  <tr> 
   <td>3307</td> 
   <td>服务端问题</td> 
   <td>语音服务器后端识别出错问题</td> 
   <td>目前请确保16000的采样率音频时长低于30s，8000的采样率音频时长低于60s。如果仍有问题，请将api返回结果反馈至论坛或者QQ群</td> 
  </tr> 
  <tr> 
   <td>3308</td> 
   <td>用户输入错误</td> 
   <td>音频过长</td> 
   <td>音频时长不超过60s，请将音频时长截取为60s以下</td> 
  </tr> 
  <tr> 
   <td>3309</td> 
   <td>用户输入错误</td> 
   <td>音频数据问题</td> 
   <td>服务端无法将音频转为pcm格式，可能是长度问题，音频格式问题等。 请将输入的音频时长截取为60s以下，并核对下音频的编码，是否是8K或者16K， 16bits，单声道。</td> 
  </tr> 
  <tr> 
   <td>3310</td> 
   <td>用户输入错误</td> 
   <td>输入的音频文件过大</td> 
   <td>语音文件共有3种输入方式： json 里的speech 参数（base64后）； 直接post 二进制数据，及callback参数里url。 分别对应三种情况：json超过10M；直接post的语音文件超过10M；callback里回调url的音频文件超过10M</td> 
  </tr> 
  <tr> 
   <td>3311</td> 
   <td>用户输入错误</td> 
   <td>采样率rate参数不在选项里</td> 
   <td>目前rate参数仅提供8000,16000两种，填写4000即会有此错误</td> 
  </tr> 
  <tr> 
   <td>3312</td> 
   <td>用户输入错误</td> 
   <td>音频格式format参数不在选项里</td> 
   <td>目前格式仅仅支持pcm，wav或amr，如填写mp3即会有此错误</td> 
  </tr> 
 </tbody> 
</table>

[https_ai.baidu.com_docs_TTS-Online-Java-SDK_top]: https://ai.baidu.com/docs#/TTS-Online-Java-SDK/top
[https_ai.baidu.com_docs_ASR-Online-Java-SDK_top]: https://ai.baidu.com/docs#/ASR-Online-Java-SDK/top
[https_github.com_Blankwhiter_SpeechSynthesizer]: https://github.com/Blankwhiter/SpeechSynthesizer
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JlbG9uZ2h1YW5nMTU3NDA1_size_16_color_FFFFFF_t_70]: /images/20220516/465b38b9f8b74678aad966eec7e12ceb.png