百度AI 开放平台 >>> 智能语音识别

发布时间：2024-12-15 18:56

AI语音识别技术用于语音输入设备 #生活知识# #科技生活# #科技改变生活# #人工智能#

一、前言

最近在做课程设计，想用一下语音识别，于是了解到百度AI 开放平台提供这一功能，且语音识别极速版 API一共可以调用5w次，对我来说完全够用了。最重要的是，可以直接用http 的post 请求进行api 调用，实在是太方便了，那就选择百度吧！

在正式开始之前，大家需要先注册一个百度开发者账号。

二、开始

下面我会介绍两种进行语音识别的方法，分别是调用百度api 和python SDK

Ⅰ 百度api

首先直接看语音识别极速版 API文档说明。

我们可提取以下关键信息点：

音频文件需要在60s 内；音频格式支持：pcm（不压缩）、wav（不压缩，pcm编码）、amr（压缩格式）、m4a（压缩格式）；采样率：16000 固定值。编码：16bit 位深的单声道；api 调用流程：鉴权认证 -> 确认请求方式 -> 填写参数 （1）鉴权认证 ① 获取Access Token

Access Token 是用户身份验证和授权的凭证，语音识别采用的是Client Credentials 授权方式，即采用应用公钥（Api Key）、密钥获取Access Token。

我们进入控制台，选择语音技术，然后在应用管理界面中新建一个应用：
在这里插入图片描述

我们这就获得了AppID, API Key, Secret Key

使用Client Credentials 获取Access Token 需要应用在其服务端发送请求（推荐用POST 方法）到百度OAuth2.0授权服务的“ https://openapi.baidu.com/oauth/2.0/token ” 地址上，并带上以下参数：

grant_type必须参数，固定为“client_credentials”client_id必须参数，应用的 API Keyclient_secret必须参数，应用的 Secret Key

例如：
https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=Va5yQRHl********LT0vuXV4&client_secret= 0rDSjzQ20XUj5i********PQSzr5pVw2&

响应数据包如下所示，其中 “access_token” 字段即为请求 REST API 所需的令牌, 默认情况下，Access Token 有效期为一个月，开发者需要对 Access Token 的有效性进行判断，如果Access Token 过期可以重新获取。

例如：
HTTP/1.1 200 OK
Content-Type: application/json
Cache-Control: no-store

{
“access_token”: “1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328”,
“expires_in”: 86400,
“refresh_token”: “2.385d55f8615fdfd9edb7c4b********.604800.1293440400-2346678-124328”,
“scope”: “public audio_voice_assistant_get 。。。”,
“session_key”: “ANXxSNjwQDugf8615OnqeikCdlLxn",
“session_secret”: "248APxvxjCZ0VECaK4oZExMB”,
}

如此，我们便获得了Access Token

（2）确认请求方式 ① raw

有两种请求方式，json 方式和raw 方式，因为我使用的是raw 方式，所以json 我就不展开讲解了

由于使用raw 方式，采样率和文件格式需要填写在Content-Type 中：

Content-Type: audio/pcm;rate=16000 1 （3）填写参数

raw 格式POST 上传本地文件语音数据直接放在 HTTP BODY 中，控制参数以及相关统计信息通过 header 和url 里参数传递

① Header 参数说明字段名数据类型可需描述formatstring必填语音格式rateint必填采样率16k（固定值）

语音数据的采样率和压缩格式在 HTTP-HEADER 里的Content-Type 表明，例：

Content-Type: audio/pcm;rate=16000 1 ② url 参数说明字段名可需描述cuid必填用户唯一标识（推荐填mac 地址，不过我填了我的英文名加数字）token必填Access Tokendev_pid选填默认80001lan选填不怎么使用

url 示例：

POST https://vop.baidu.com/pro_api?dev_pid=80001&cuid=******&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328 1

最后完整的raw 请求示例：

curl -i -X POST -H "Content-Type: audio/pcm;rate=16000" "http://vop.baidu.com/pro_api?dev_pid=80001&cuid=xxxxx&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328" --data-binary "@/home/test/test.pcm" 1 Ⅱ python SDK （1）安装python SDK

如果已安装pip，执行

pip install baidu-aip 1

如果已安装setuptools，执行

python setup.py install 1 （2）新建AipSpeech

AipSpeech是语音识别的Python SDK 客户端，为使用语音识别的开发人员提供了一系列的交互方法。

from aip import AipSpeech """ 你的 APPID AK SK """ APP_ID = '你的 App ID' API_KEY = '你的 Api Key' SECRET_KEY = '你的 Secret Key' client = AipSpeech(APP_ID, API_KEY, SECRET_KEY) 12345678

上述APP_ID、API_KEY、SECRET_KEY 的获取在创建应用后即可获得

（3）配置AipSpeech

若大家需要配置AipSpeech 的网络请求参数(一般不需要配置)，可以在构造AipSpeech 之后调用接口设置参数，目前只支持以下参数：

接口说明setConnectionTimeoutInMillis建立连接的超时时间（单位：毫秒）setSocketTimeoutInMillis通过打开的连接传输数据的超时时间（单位：毫秒）（4）语音识别

# 读取文件 def get_file_content(filePath): with open(filePath, 'rb') as fp: return fp.read() # 识别本地文件，str 就是识别结果 str = client.asr(get_file_content('audio.pcm'), 'pcm', 16000, { 'dev_pid': 1536, }) print(str) 1234567891011 参数类型描述是否必须speechBuffer建立包含语音内容的Buffer对象, 语音文件的格式，pcm 或者 wav 或者 amr。不区分大小写是formatString语音文件的格式，pcm 或者 wav 或者 amr。不区分大小写。推荐pcm文件是rateint采样率，16000，固定值是cuidString用户唯一标识，用来区分用户，填写机器 MAC 地址或 IMEI 码，长度为60以内否dev_pidInt不填写lan参数生效，都不填写，默认1537（普通话输入法模型），dev_pid参数见本节开头的表格否lan(已废弃)String历史兼容参数，请使用dev_pid。如果dev_pid填写，该参数会被覆盖。语种选择,输入法模型，默认中文（zh）。中文=zh、粤语=ct、英文=en，不区分大小写否

dev_pid 参数列表：

dev_pid语言模型是否有标点备注1536普通话(支持简单的英文识别)搜索模型无标点支持自定义词库1537普通话(纯中文识别)输入法模型有标点支持自定义词库1737英语无标点不支持自定义词库1637粤语有标点不支持自定义词库1837四川话有标点不支持自定义词库1936普通话远场远场模型有标点不支持

语音识别返回数据参数详情：

参数类型是否一定输出描述err_noint是错误码err_msgint是错误码描述snint是语音数据唯一标识，系统内部产生，用于 debugresultint是识别结果数组，提供1-5 个候选结果，string 类型为识别的字符串， utf-8 编码