python 实现录音加百度语音识别

一、在python中使用pyaudio进行录音

环境准备

1、首先在相关的项目下使用如下命令安装pyaudio。

pip install pyaudio

2、使用pip install pyaudio安装失败的解决方式
（1）在https://www.lfd.uci.edu/~gohlke/pythonlibs/#pyaudio下下载相关的版本。

因为我是win10，64bit的系统，同时python的相关版本为3.8，故选择下载如下的相关whl文件。

注意：cp38表示python 的版本为3.8，下载相关的文件应该根据自己系统所安装的python版本决定。

（2）在下载到相关的文件时，应该将该相关文件保存到项目所对应的python环境的Script中，然后通过终端进入到该whl文件所保存的路径，在相关的终端下输入如下命令：

pip install PyAudio-0.2.11-cp38-cp38-win_amd64.whl

然后使用如下命令进行相关的安装：

pip install pyaudio

通过以上的操作步骤，可以发现pyaudio安装成功。

具体代码实现

import pyaudio
import wave

# 每个缓冲区的帧数
CHUNK = 1024
# 采样位数
FORMAT = pyaudio.paInt16
# 单声道
CHANNELS = 1
# 采样频率
RATE = 44100

# 录制声音的相关函数（参数1：录制的路径；参数2：录制的声音秒数）
def record_audio(wave_out_path, record_second):
    # 实例化相关的对象
    p = pyaudio.PyAudio()
    # 打开相关的流，然后传入响应参数
    stream = p.open(format=FORMAT, channels=CHANNELS, rate=RATE, input=True, frames_per_buffer=CHUNK)
    # 打开wav文件
    wf = wave.open(wave_out_path, 'wb')
    # 设置相关的声道
    wf.setnchannels(CHANNELS)
    # 设置采样位数
    wf.setsampwidth(p.get_sample_size((FORMAT)))
    # 设置采样频率
    wf.setframerate(RATE)

    for _ in range(0, int(RATE * record_second / CHUNK)):
        data = stream.read(CHUNK)
        # 写入数据
        wf.writeframes(data)
    # 关闭流
    stream.stop_stream()
    stream.close()
    p.terminate()
    wf.close()

record_audio('text.mp3', 5)

二、使用百度的语音识别功能进行语音识别与将文字转化成语音

在百度AI开放平台上创建相关的应用，具体操作步骤如下：

1、进入到百度AI开放平台：https://ai.baidu.com/
2、使用百度账号进行登录到百度云中
3、进入语音技术功能界面

4、选择创建应用


创建好后其相关的应用详情如下所示：

环境准备

在相关的项目下使用如下命令安装baidu-aip：

pip install baidu-aip

为了将所有相关的音频格式均转换成.pcm格式的音频文件，需要下载FFmpeg文件，相关文件的下载方式如下所示：
链接：https://pan.baidu.com/s/1pHw8mrg_AeTHiUqFl3PxQQ
密码：1499
下载好后需要进行相关的解压操作，然后进入到相关文件的bin目录下，赋值相关的bin的路径，相关操作如下所示：

赋值好后进行相关的环境变量配置，相关配置的具体步骤如下所示




最后一直进行确定配置好相关的环境。

验证ffmpeg是否安装成功：
打开终端系统，然后输入如下命令：

ffmpeg

如果出现如下所示的界面，则安装成功。

如果需要将.mp3的音频文件转成.pcm的音频文件，可以执行如下相关的命令进行转化：

ffmpeg -y  -i test.mp3  -acodec pcm_s16le -f s16le -ac 1 -ar 16000 test.pcm

相关代码的具体实现

from aip import AipSpeech
import os

# 百度语音创建的应用中所对的三个参数
APP_ID = '应用AppID的值'
API_KEY = '应用API Key的值'
SECRET_KEY = '应用Secret Key的值'

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)

# 语音转文字
def voiceToText(filename):
    os.system(f'ffmpeg -y -i {filename}.mp3 -acodec pcm_s16le -f s16le -ac 1 -ar 16000 {filename}.pcm')
    with open(f'{filename}.pcm', 'rb') as f:
        res = client.asr(f.read(), 'pcm', 16000, {
            'dev_pid': 1536
        })
        return res.get('result')[0]

# 文字转语音
def textTovoice(text):
    res = client.synthesis(text, 'zh', 1, {
        'vol': 5,
        'per':4
    })
    if not isinstance(res, dict):
        with open('audio.mp3', 'wb') as f:
            f.write(res)
        os.system('audio.mp3')

text = '你好！'
textTovoice(text)
os.system('audio.mp3')

注意：

APP_ID = '应用AppID的值'
API_KEY = '应用API Key的值'
SECRET_KEY = '应用Secret Key的值'

以上相关的值分别对应于以下相关应用的值