Python调用百度api实现语音识别详解

最近在学习python，做一些python练习题

github上几年前的练习题

有一题是这样的：

使用 Python 实现：对着电脑吼一声,自动打开浏览器中的默认网站。

例如，对着笔记本电脑吼一声“百度”，浏览器自动打开百度首页。

然后开始search相应的功能需要的模块（windows10），理一下思路：

1. 本地录音
2. 上传录音，获得返回结果
3. 组一个map，根据结果打开相应的网页

所需模块：

1. PyAudio：录音接口
2. wave：打开录音文件并设置音频参数
3. requests：GET/POST

为什么要用百度语音识别api呢？因为免费试用。。

不多说，登录百度云，创建应用

查看文档REST API文档

文档写的蛮详细的，简单概括就是

1.可以下载使用SDK

2.不需要下载使用SDK

选择2.

1. 根据文档组装url获取token
2. 处理本地音频以JSON格式POST到百度语音识别服务器，获得返回结果

语音格式

格式支持：pcm（不压缩）、wav（不压缩，pcm编码）、amr（压缩格式）。推荐pcm 采样率 ：16000 固定值。 编码：16bit 位深的单声道。

百度服务端会将非pcm格式，转为pcm格式，因此使用wav、amr会有额外的转换耗时。

保存为pcm格式可以识别，只是windows自带播放器识别不了pcm格式的，所以改用wav格式，毕竟用的模块是wave?

首先是本地录音

import wave
from pyaudio import PyAudio, paInt16

framerate = 16000  # 采样率
num_samples = 2000  # 采样点
channels = 1  # 声道
sampwidth = 2  # 采样宽度2bytes
FILEPATH = \'speech.wav\'

def save_wave_file(filepath, data):
    wf = wave.open(filepath, \'wb\')
    wf.setnchannels(channels)
    wf.setsampwidth(sampwidth)
    wf.setframerate(framerate)
    wf.writeframes(b\'\'.join(data))
    wf.close()

#录音
def my_record():
    pa = PyAudio()
    #打开一个新的音频stream
    stream = pa.open(format=paInt16, channels=channels,
                     rate=framerate, input=True, frames_per_buffer=num_samples)
    my_buf = [] #存放录音数据

    t = time.time()
    print(\'正在录音...\')
 
    while time.time() < t + 4:  # 设置录音时间（秒）
    	#循环read，每次read 2000frames
        string_audio_data = stream.read(num_samples)
        my_buf.append(string_audio_data)
    print(\'录音结束.\')
    save_wave_file(FILEPATH, my_buf)
    stream.close()

然后是获取token

import requests
import base64 #百度语音要求对本地语音二进制数据进行base64编码

#组装url获取token，详见文档
base_url = \"https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=%s&client_secret=%s\"
APIKey = \"LZAdqHUGC********mbfKm\"
SecretKey = \"WYPPwgHu********BU6GM*****\"

HOST = base_url % (APIKey, SecretKey)

def getToken(host):
    res = requests.post(host)
    return res.json()[\'access_token\']



#传入语音二进制数据，token
#dev_pid为百度语音识别提供的几种语言选择
def speech2text(speech_data, token, dev_pid=1537):
    FORMAT = \'wav\'
    RATE = \'16000\'
    CHANNEL = 1
    CUID = \'********\'
    SPEECH = base64.b64encode(speech_data).decode(\'utf-8\')

    data = {
        \'format\': FORMAT,
        \'rate\': RATE,
        \'channel\': CHANNEL,
        \'cuid\': CUID,
        \'len\': len(speech_data),
        \'speech\': SPEECH,
        \'token\': token,
        \'dev_pid\':dev_pid
    }
    url = \'https://vop.baidu.com/server_api\'
    headers = {\'Content-Type\': \'application/json\'}
    # r=requests.post(url,data=json.dumps(data),headers=headers)
    print(\'正在识别...\')
    r = requests.post(url, json=data, headers=headers)
    Result = r.json()
    if \'result\' in Result:
        return Result[\'result\'][0]
    else:
        return Result

最后就是对返回的结果进行匹配，这里使用webbrowser这个模块

webbrower.open(url)

完整demo

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# Date    : 2018-12-02 19:04:55
import wave
import requests
import time
import base64
from pyaudio import PyAudio, paInt16
import webbrowser


framerate = 16000  # 采样率
num_samples = 2000  # 采样点
channels = 1  # 声道
sampwidth = 2  # 采样宽度2bytes
FILEPATH = \'speech.wav\'

base_url = \"https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=%s&client_secret=%s\"
APIKey = \"********\"
SecretKey = \"************\"

HOST = base_url % (APIKey, SecretKey)


def getToken(host):
    res = requests.post(host)
    return res.json()[\'access_token\']


def save_wave_file(filepath, data):
    wf = wave.open(filepath, \'wb\')
    wf.setnchannels(channels)
    wf.setsampwidth(sampwidth)
    wf.setframerate(framerate)
    wf.writeframes(b\'\'.join(data))
    wf.close()


def my_record():
    pa = PyAudio()
    stream = pa.open(format=paInt16, channels=channels,
                     rate=framerate, input=True, frames_per_buffer=num_samples)
    my_buf = []
    # count = 0
    t = time.time()
    print(\'正在录音...\')
  
    while time.time() < t + 4:  # 秒
        string_audio_data = stream.read(num_samples)
        my_buf.append(string_audio_data)
    print(\'录音结束.\')
    save_wave_file(FILEPATH, my_buf)
    stream.close()


def get_audio(file):
    with open(file, \'rb\') as f:
        data = f.read()
    return data


def speech2text(speech_data, token, dev_pid=1537):
    FORMAT = \'wav\'
    RATE = \'16000\'
    CHANNEL = 1
    CUID = \'*******\'
    SPEECH = base64.b64encode(speech_data).decode(\'utf-8\')

    data = {
        \'format\': FORMAT,
        \'rate\': RATE,
        \'channel\': CHANNEL,
        \'cuid\': CUID,
        \'len\': len(speech_data),
        \'speech\': SPEECH,
        \'token\': token,
        \'dev_pid\':dev_pid
    }
    url = \'https://vop.baidu.com/server_api\'
    headers = {\'Content-Type\': \'application/json\'}
    # r=requests.post(url,data=json.dumps(data),headers=headers)
    print(\'正在识别...\')
    r = requests.post(url, json=data, headers=headers)
    Result = r.json()
    if \'result\' in Result:
        return Result[\'result\'][0]
    else:
        return Result


def openbrowser(text):
    maps = {
        \'百度\': [\'百度\', \'baidu\'],
        \'腾讯\': [\'腾讯\', \'tengxun\'],
        \'网易\': [\'网易\', \'wangyi\']

    }
    if text in maps[\'百度\']:
        webbrowser.open_new_tab(\'https://www.baidu.com\')
    elif text in maps[\'腾讯\']:
        webbrowser.open_new_tab(\'https://www.qq.com\')
    elif text in maps[\'网易\']:
        webbrowser.open_new_tab(\'https://www.163.com/\')
    else:
        webbrowser.open_new_tab(\'https://www.baidu.com/s?wd=%s\' % text)


if __name__ == \'__main__\':
    flag = \'y\'
    while flag.lower() == \'y\':
        print(\'请输入数字选择语言：\')
        devpid = input(\'1536：普通话(简单英文),1537:普通话(有标点),1737:英语,1637:粤语,1837:四川话\\n\')
        my_record()
        TOKEN = getToken(HOST)
        speech = get_audio(FILEPATH)
        result = speech2text(speech, TOKEN, int(devpid))
        print(result)
        if type(result) == str:
            openbrowser(result.strip(\'，\'))
        flag = input(\'Continue?(y/n):\')

经测试，大吼效果更佳