第三篇：ASR（Automatic Speech Recognition）語音識別

ASR（Automatic Speech Recognition）語音識別：

　　　　百度語音--語音識別--python SDK文檔：

　　　　　　https://ai.baidu.com/docs#/ASR-Online-Python-SDK/top

　　　　第三方模塊：pip install baidu-aip　　

　　ASR_test.py

from aip import AipSpeech
import os

""" 你的 APPID AK SK """
APP_ID = '16815394'
API_KEY = 'jM4b8GIG9gzrzySTRq3szK2E'
SECRET_KEY = 'iE626cEpjT1iAVwh24XV5h1QFuR8FPD2'

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)


# 讀取文件
def get_file_content(filePath):

    #文件格式轉換成pcm(前提是需要安裝ffmpeg軟件並配置環境變量)
    pcm_filePath = filePath.split('.')[0] + '.pcm'
    cmd_str=f'ffmpeg -y  -i {filePath}  -acodec pcm_s16le -f s16le -ac 1 -ar 16000 {pcm_filePath}'
    os.system(cmd_str)#調用os.system()在CMD執行命令
    filePath=pcm_filePath

    with open(filePath, 'rb') as fp:
        return fp.read()


# 識別本地文件
result=client.asr(get_file_content('1.m4a'), 'pcm', 16000, {
    'dev_pid': 1536,
})
text=result.get('result')[0]

print(result)

print(text)

'''
asr函數需要四個參數,第四個參數可以忽略,自有默認值,參照一下這些參數是做什么的

第一個參數: speech 音頻文件流 建立包含語音內容的Buffer對象, 語音文件的格式，pcm 或者 wav 或者 amr。(雖說支持這么多格式,但是只有pcm的支持是最好的)

第二個參數: format 文件的格式,包括pcm（不壓縮）、wav、amr (雖說支持這么多格式,但是只有pcm的支持是最好的)

第三個參數: rate 音頻文件采樣率 如果使用剛剛的FFmpeg的命令轉換的,你的pcm文件就是16000

第四個參數: dev_pid 音頻文件語言id 默認1537（普通話 輸入法模型）
'''

　　原始語音文件通過windows10自帶的<錄音機>進行錄制等，轉換成語音識別推薦格式pcm，最后識別輸出文字