本文最后更新于:2024年1月14日 晚上

语音识别已经是很成熟的技术了,本文记录调用百度 API 实现语音识别的过程。

简介

百度语音识别的功能:

  1. 技术领先识别准确

采用领先国际的流式端到端语音语言一体化建模方法,融合百度自然语言处理技术,近场中文普通话识别准确率达98%

  1. 多语种和多方言识别

支持普通话和略带口音的中文识别;支持粤语、四川话方言识别;支持英文识别

  1. 深度语义解析

支持50多个领域的语义理解,如:天气,交通,娱乐等。还可接入智能对话定制与服务平台UNIT自定义语义理解和对话服务,让您更准确地理解用户意图

  1. 中文标点智能断句

使用大规模数据集训练语言模型,根据语音的内容理解和停顿智能匹配合适的标点符号(包括,。!?),使识别结果的表现方式贴合表述,更加可懂

  1. 数字格式智能转换

根据语音内容理解可以将数字序列、小数、时间、分数、基础运算符正确转换为数字格式,使得识别的数字结果更符合使用习惯,直观自然

  1. 支持自助训练专属模型

支持在语音自训练平台上自助训练模型,上传词汇文本即可零代码完成训练,精准提升业务领域词汇识别率5-25%,并可专属使用

准备流程

参考文档:https://ai.baidu.com/ai-doc/SPEECH/qknh9i8ed

  1. 申请百度智能云账号

  2. 登录百度智能云,进入控制台

  3. 导航 -> 产品服务 -> 语音技术

  1. 创建应用

勾选需要的应用,填入信息即可。

  1. 领取免费资源

  1. 选择自己需要的服务 -> 0元领取

  1. 5分钟内,等待其生效

生效后可以看到 15 W 次的免费测试额度,对简单测试来说已经足够用了。

获取 Access Token

在您创建完毕应用后,平台将会分配给您此应用的相关凭证,主要为AppID、API Key、Secret Key。以上三个信息是您应用实际开发的主要凭证,请您妥善保管。

您需要使用创建应用所分配到的AppID、API Key及Secret Key,进行Access Token(用户身份验证和授权的凭证)的生成。

官方文档: Access Token获取

核心方法需要向授权服务地址https://aip.baidubce.com/oauth/2.0/token发送请求(推荐使用POST),并在URL中带上以下参数:

  • grant_type: 必须参数,固定为client_credentials
  • client_id: 必须参数,应用的API Key
  • client_secret: 必须参数,应用的Secret Key

官方推荐三种方法,我们这里采用 Python 脚本实现的方法。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
import requests
import json


def main():

url = "https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=xxxxxx&client_secret=xxxxx"

payload = ""
headers = {
'Content-Type': 'application/json',
'Accept': 'application/json'
}

response = requests.request("POST", url, headers=headers, data=payload)
print(response.text)


if __name__ == '__main__':
main()

从返回的 json 包中取出 access_token 的值即可,返回值中的 expires_in 为该 token 的有效期,单位是 s,其他参数忽略,暂时不用;

我返回的 “expires_in”:2592000,表示 30 天有效期,过期后需要重新申请 access_token。

语音识别

分为 API 版和 SDK 版,使用 HTTP 接入的录音时长不能超过 60s,对于我来说足够用了,因此本文以 HTTP API 接入方式为例。

音频重采样

语音识别需要将音频采样频率固定在 16k,如果当前音频不是 16k 采样率,需要重采样。

可以参考 修改 wav 音频采样率

测试音频

原神中的一段 音频 为例。

调用百度的音频识别 API Python Demo 示例:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
# coding=utf-8

import sys
import time

IS_PY3 = sys.version_info.major == 3

if IS_PY3:
from urllib.request import urlopen
from urllib.request import Request
from urllib.error import URLError
from urllib.parse import urlencode

timer = time.perf_counter


# 需要识别的文件
AUDIO_FILE = 'audio_resampled.wav' # 只支持 pcm/wav/amr 格式,极速版额外支持m4a 格式
# 文件格式
FORMAT = AUDIO_FILE[-3:]; # 文件后缀只支持 pcm/wav/amr 格式,极速版额外支持m4a 格式

CUID = '123456PYTHON';
# 采样率
RATE = 16000; # 固定值

# 普通版
DEV_PID = 1537; # 1537 表示识别普通话,使用输入法模型。根据文档填写PID,选择语言及识别模型
ASR_URL = 'http://vop.baidu.com/server_api'
SCOPE = 'audio_voice_assistant_get' # 有此scope表示有asr能力,没有请在网页里勾选,非常旧的应用可能没有


if __name__ == '__main__':
my_token = "your access token"

"""
httpHandler = urllib2.HTTPHandler(debuglevel=1)
opener = urllib2.build_opener(httpHandler)
urllib2.install_opener(opener)
"""

speech_data = []
with open(AUDIO_FILE, 'rb') as speech_file:
speech_data = speech_file.read()
length = len(speech_data)
if length == 0:
raise RuntimeError('file %s length read 0 bytes' % AUDIO_FILE)

params = {'cuid': CUID, 'token': my_token, 'dev_pid': DEV_PID}
#测试自训练平台需要打开以下信息
#params = {'cuid': CUID, 'token': token, 'dev_pid': DEV_PID, 'lm_id' : LM_ID}
params_query = urlencode(params);

headers = {
'Content-Type': 'audio/' + FORMAT + '; rate=' + str(RATE),
'Content-Length': length
}

url = ASR_URL + "?" + params_query
print("url is", url);
print("header is", headers)
# print post_data
req = Request(ASR_URL + "?" + params_query, speech_data, headers)
try:
begin = timer()
f = urlopen(req)
result_str = f.read()
print("Request time cost %f" % (timer() - begin))
except URLError as err:
print('asr http response http code : ' + str(err.code))
result_str = err.read()

if (IS_PY3):
result_str = str(result_str, 'utf-8')
print(result_str)
with open("result.txt", "w") as of:
of.write(result_str)

在代码的 my_token 处填入自己的 access-token,就可以识别我的示例音频了,我的输出:

1
2
{"corpus_no":"7246604200451327860","err_msg":"success.","err_no":0,"result":["这就是四方之风的力量中特婉林只能借用三方的原因了。"],"sn":"185528422541687231520"}

还是可以的。

参考资料



文章链接:
https://www.zywvvd.com/notes/study/audio/baidu-speech-recognition/baidu-speech-recognition/


“觉得不错的话,给点打赏吧 ୧(๑•̀⌄•́๑)૭”

微信二维码

微信支付

支付宝二维码

支付宝支付

调用 Baidu 语音识别接口识别短句
https://www.zywvvd.com/notes/study/audio/baidu-speech-recognition/baidu-speech-recognition/
作者
Yiwei Zhang
发布于
2023年6月20日
许可协议