百度云(https://cloud.baidu.com/)提供了許多人工智能的API接口,有一些是可以免費(fèi)使用的。
image.png
環(huán)境配置
使用環(huán)境
windows7 x64
python3.7
vscode 編輯器，用于寫(xiě)代碼
ffmpeg 用于將wav格式的音頻文件轉(zhuǎn)化成pcm格式，可在其官網(wǎng)(https://www.ffmpeg.org/)上下載
ffmpeg 下載后解壓，不用安裝，將bin中三個(gè)文件復(fù)制到system32目錄下即可。
使用到的python包有aip 百度AI接口庫(kù) 使用pip install baidu-aip安裝
pyaudio python3.7使用pip安裝會(huì)報(bào)錯(cuò)，可以下載whl文件(https://github.com/intxcc/pyaudio_portaudio/releases),離線安裝pip install PyAudio-0.2.11-cp37-cp37m-win_amd64.whl，pyaudio庫(kù)的使用可參考https://people.csail.mit.edu/hubert/pyaudio/，上面有例子代碼
wave 使用pip install wave安裝
代碼實(shí)現(xiàn)
工具函數(shù)
#-*- coding:utf-8 -*-
"""音頻處理"""
import os
import pyaudio
import wave
CHUNK = 1024
FORMAT = pyaudio.paInt16
CHANNELS = 2
#RATE = 44100
RATE = 16000
RECORD_SECONDS = 5
#用來(lái)播放聲音，聲音文件為wav格式
def play_wav(filename):
wf = wave.open(filename, 'rb')
p = pyaudio.PyAudio()
stream = p.open(format=p.get_format_from_width(wf.getsampwidth()),
channels=wf.getnchannels(),
rate=wf.getframerate(),
output=True)
data = wf.readframes(CHUNK)
while len(data) != 0:
stream.write(data)
data = wf.readframes(CHUNK)
stream.stop_stream()
stream.close()
p.terminate()
#錄音，將聲音保存為wav格式
def record(output_filename):
p = pyaudio.PyAudio()
stream = p.open(format=FORMAT,
channels=CHANNELS,
rate=RATE,
input=True,
frames_per_buffer=CHUNK)
print("開(kāi)始錄音，最長(zhǎng)為5s")
frames = []
over_flag = False
for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
data = stream.read(CHUNK)
frames.append(data)
print("錄音結(jié)束")
stream.stop_stream()
stream.close()
p.terminate()
wf = wave.open(output_filename, 'wb')
wf.setnchannels(CHANNELS)
wf.setsampwidth(p.get_sample_size(FORMAT))
wf.setframerate(RATE)
wf.writeframes(b''.join(frames))
wf.close()
#調(diào)用ffmpeg將wav格式的音頻文件轉(zhuǎn)化成pcm格式，返回pcm格式文件名
#可參考https://www.cnblogs.com/DragonFire/p/9212935.html
#http://ai.baidu.com/docs#/ASR-Tool-convert/top
def wav2pcm(wav_file_name):
# 假設(shè) wav_file = "音頻文件.wav"
# wav_file.split(".") 得到["音頻文件","wav"] 拿出第一個(gè)結(jié)果"音頻文件" 與 ".pcm" 拼接 等到結(jié)果 "音頻文件.pcm"
pcm_file = "%s.pcm" %(wav_file_name.split(".")[0])
# 就是此前我們?cè)赾md窗口中輸入命令,這里面就是在讓Python幫我們?cè)赾md中執(zhí)行命令
os.system("ffmpeg -y -i %s -acodec pcm_s16le -f s16le -ac 1 -ar 16000 %s > ffmpeg.log"%(wav_file_name,pcm_file))
return pcm_file
測(cè)試代碼
#-*- coding:utf-8 -*-
from aip import AipSpeech
import pyaudio
import wave
import sys
from pyaudio_utils import play_wav,record,wav2pcm
""" 你的 APPID AK SK """
#如何獲取這三個(gè)參數(shù)可參考官方文檔
APP_ID = 'xxxx'
API_KEY = 'xxxx'
SECRET_KEY = 'xxx'
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
#語(yǔ)音合成
#參考https://cloud.baidu.com/doc/SPEECH/TTS-Online-Python-SDK.html#.E8.AF.B7.E6.B1.82.E8.AF.B4.E6.98.8E
def text2sound(msg):
result = client.synthesis(msg, 'zh', 1, {
'vol': 5,'aue':6
})
# 識(shí)別正確返回語(yǔ)音二進(jìn)制 錯(cuò)誤則返回dict 參照下面錯(cuò)誤碼
if not isinstance(result, dict):
with open('auido.wav', 'wb') as f:
f.write(result)
play_wav('auido.wav')
#語(yǔ)音識(shí)別
#參考https://cloud.baidu.com/doc/SPEECH/ASR-Online-Python-SDK.html#.E8.AF.B7.E6.B1.82.E8.AF.B4.E6.98.8E
def sound2text(sound_filename,fmt):
# 識(shí)別本地文件
res = client.asr(open(sound_filename,'rb').read(), fmt, 16000, {
'dev_pid': 1536,
})
print(res)
if 'result' in res.keys():
return(res['result'][0])
return ''
def test():
while True:
#錄音
record('output.wav')
#播放錄音
play_wav('output.wav')
#將wav轉(zhuǎn)化為pcm文件
pcm_filename = wav2pcm('output.wav')
#將聲音轉(zhuǎn)化為文字
res = sound2text(pcm_filename,'pcm')
if res:
#將文字轉(zhuǎn)化為聲音并讀出
text2sound(res)
test()
