python实现调用科大讯飞语音听写（将音频识别成文字输出）

最新推荐文章于 2025-05-18 10:59:44 发布

地球太危险了

最新推荐文章于 2025-05-18 10:59:44 发布

阅读量4.4w

点赞数 10

CC 4.0 BY-SA版权

分类专栏： Python 文章标签：语音识别科大讯飞

本文链接：https://blog.youkuaiyun.com/Smile_coderrr/article/details/81636015

Python 专栏收录该内容

1 篇文章

订阅专栏

一、大致流程

1)申请科大讯飞账号（https://passport.xfyun.cn/register）

2)创建应用（应用平台选择WebAPI）

3)查看开发文档

4)根据开发文档和示例代码进行调试

二、申请科大讯飞账号

首先我们先去科大讯飞开放平台注册一个账号：https://passport.xfyun.cn/register

三、创建应用

我们再去官网（https://www.xfyun.cn/?ch=bdpp）的产品服务中选择语音听写服务进入后点击web API抢先体验

接下来根据需求创建一个应用

创建完应用后在我的应用中就可以看见我们刚刚创建的项目了，我们点击刚创建的应用旁边的开发文档

四、查看开发文档

我们主要看两个文档：接口描述 + 语音听写

1)接口描述

一个是授权认证部分，这里主要需要两个个数据：appid、paikey（这两个数据可以到我们刚刚创建的应用处查询）

我们拿到这两个数据后主要是为了在Http Re'quest Header中配置以下参数：

参数	格式	说明	必须
X-Appid	string	讯飞开放平台注册申请应用的应用ID(appid)	是
X-CurTime	string	当前UTC时间戳，从1970年1月1日0点0 分0 秒开始到现在的秒数	是
X-Param	string	相关参数JSON串经Base64编码后的字符串，见各接口详细说明	是
X-CheckSum	string	令牌，计算方法：MD5(apiKey + curTime + param)，三个值拼接的字符串，进行MD5哈希计算（32位小写），其中apiKey由讯飞提供，调用方管理。	是

注：

apiKey：接口密钥，由讯飞开放平台提供，调用方注意保管，如泄露，可联系讯飞技术人员重置；
checkSum 有效期：出于安全性考虑，每个 checkSum 的有效期为 5 分钟(用 curTime 计算)，同时 curTime 要与标准时间同步，否则，时间相差太大，服务端会直接认为 curTime 无效；
BASE64 编码采用 MIME 格式，字符包括大小写字母各26个，加上10个数字，和加号 + ，斜杠 / ，一共64个字符。

2)语音听写文档

在文档开头提供了另一个参数：接口地址（http://api.xfyun.cn/v1/service/v1/iat）

然后我们可以根据文档末的python代码写的调用实例来进行调用了

四、根据开发文档进行调试

说明：将脚本中 AUDIO_PATH, API_KEY, APPID, 换成相应的音频路径，讯飞开放平台提供的 apiKey，讯飞开放平台应用的 appid 即可，运行脚本可打印相应结果。

这里需要注意一点的是：文档中采用python2.7写的，如果你想使用python3的话就看我下面的代码

#!/usr/bin/python
# -*- coding: UTF-8 -*-
#import urllib2
import time
import urllib
import json
import hashlib
import base64
import urllib.request
import urllib.parse


def main():
    f = open("你需要识别的音频的文件地址", 'rb')  #rb表示二进制格式只读打开文件
    file_content = f.read()
    # file_content 是二进制内容，bytes类型
    # 由于Python的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节。
    # 如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes
    # 以Unicode表示的str通过encode()方法可以编码为指定的bytes
    base64_audio = base64.b64encode(file_content)   #base64.b64encode()参数是bytes类型，返回也是bytes类型
    body = urllib.parse.urlencode({'audio': base64_audio})

    url = 'http://api.xfyun.cn/v1/service/v1/iat'
    api_key = '你的apikey'
    param = {"engine_type": "sms16k", "aue": "raw"}

    x_appid = '你的appid'
    x_param = base64.b64encode(json.dumps(param).replace(' ', '').encode('utf-8')) #改('''')
    # 这是3.x的用法，因为3.x中字符都为unicode编码，而b64encode函数的参数为byte类型，
    # 所以必须先转码为utf-8的bytes
    x_param = str(x_param, 'utf-8')

    x_time = int(int(round(time.time() * 1000)) / 1000)
    x_checksum = hashlib.md5((api_key + str(x_time) + x_param).encode('utf-8')).hexdigest() #改
    x_header = {'X-Appid': x_appid,
                'X-CurTime': x_time,
                'X-Param': x_param,
                'X-CheckSum': x_checksum}
    # 不要忘记url = ??, data = ??, headers = ??, method = ?? 中的“ = ”，这是python3
    req = urllib.request.Request(url = url, data = body.encode('utf-8'), headers = x_header, method = 'POST')
    result = urllib.request.urlopen(req)
    result = result.read().decode('utf-8')
    print(result)
    return

if __name__ == '__main__':
    main()

只要将音频地址、appid、apikey分别替换对应的位置就行了。还要记得去你的应用处给添加你的ip白名单：只要复制你的ip地址在ip白名单中就可以了。

最后需要注意的是音频的格式，科大讯飞的语音听写对音频格式有要求，经过测试我发现打开win10自带的录音随便录一段是识别不出来的，其要求的音频格式如下：

音频参数	数值
音频长度（Input Length）	≤60s
采样率（Sampling Rate）	支持8KHz和16KHz
采样精度（Bit Depth）	16bits
声道（Channel）	单声道
语音起点（begin of the speech）	小于参数vad_bos
音频终点（end of the speech）	小于参数vad_eos