Python 百度语音识别与合成REST API及ffmpeg使用

柔光的暖阳◎ 2022-06-15 09:58 238阅读 0赞

--------------------

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

--------------------

[百度语音识别官方文档][Link 1]  
[百度语音合成官方文档][Link 2]

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：

![这里写图片描述][SouthEast]

--------------------

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]  
ffmpeg下载一定是static  
![这里写图片描述][SouthEast 1]

--------------------

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。

[Link 1]: http://yuyin.baidu.com/docs/asr/57
[Link 2]: http://yuyin.baidu.com/docs/tts/136
[SouthEast]: /images/20220615/59240ae769034ac3b80f5f33622318e4.png
[ffmpeg]: http://blog.csdn.net/yy3097/article/details/51063950
[SouthEast 1]: /images/20220615/62b7994ab74641e596486805d0eee0b9.png