百度智能云语音识别
采用国际领先的流式端到端语音语言一体化建模算法，将语音快速准确识别为文字，支持手机应用语音交互、语音内容分析、机器人对话等场景。百度短语音识别可以将 60 秒以下的音频识别为文字。适用于语音对话、语音控制、语音输入等场景。
接口类型：通过 REST API 的方式提供的通用的 HTTP 接口。适用于任意操作系统，任意编程语言
接口限制：需要上传完整的录音文件，录音文件时长不超过 60 秒。浏览器由于无法跨域请求百度语音服务器的域名，因此无法直接调用API接口。
支持音频格式：pcm、wav、amr、m4a
音频编码要求：采样率 16000、8000（仅支持普通话模型），16 bit 位深，单声道（音频格式查看及转换)
创建新应用
安装语音识别 Python SDK
SDK 下载安装地址：https://ai.baidu.com/sdk#asr
语音识别 Python SDK目录结构
├── README.md
├── aip //SDK目录
│ ├── __init__.py //导出类
│ ├── base.py //aip基类
│ ├── http.py //http请求
│ └── speech.py //语音识别
└── setup.py //setuptools安装
安装使用 Python SDK
如果已安装 pip，执行 pip install baidu-aip 即可。
如果已安装 setuptools，执行 python setup.py install 即可。
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。常量APP_ID在百度云控制台中创建，常量API_KEY与SECRET_KEY是在创建完毕应用后，系统分配给用户的，均为字符串，用于标识用户，为访问做签名验证，可在AI服务控制台中的应用列表中查看。
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)
配置 AipSpeech
如果用户需要配置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。
SDK 接口文档
接口描述：向远程服务上传整段语音进行识别
请求说明：举例，要对段保存有一段语音的语音文件进行识别：
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read()
client.asr(get_file_content('audio.pcm'), 'pcm', 16000, {
'dev_pid': 1537,
})
接口函数说明
dev_pid 参数列表
返回数据参数详情
{
"err_no": 0,
"err_msg": "success.",
"corpus_no": "15984125203285346378",
"sn": "481D633F-73BA-726F-49EF-8659ACCC2F3D",
"result": ["北京天气"]
}
详细接口文档：https://ai.baidu.com/ai-doc/SPEECH/0lbxfnc9b
本地语音识别案例
读取本地 pcm 语音文件，识别语音的内容。
from aip import AipSpeech
def get_file_content(filePath):
"""
读取本地文件
:param filePath:
:return:
"""
with open(filePath, 'rb') as fp:
return fp.read()
def recognize_audio(client: AipSpeech, filePath: str):
"""
识别本地 pcm 语音文件
:param client:
:param filePath:
:return:
"""
result = client.asr(get_file_content(filePath), 'pcm', 16000, {
'dev_pid': 1537,
})
return result['result'][0]
主函数源码
import os
import time
from aip import AipSpeech
import dotenv
import baidu_speech_tool
dotenv.load_dotenv(".env")
APP_ID = os.getenv("APP_ID")
API_KEY = os.getenv("API_KEY")
SECRET_KEY = os.getenv("SECRET_KEY")
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
"""记录开始时间"""
start_time = time.time()
filePath = "2024060302300905.pcm"
result = baidu_speech_tool.recognize_audio(client=client, filePath=filePath)
"""记录结束时间"""
end_time = time.time()
"""计算并打印执行时间"""
execution_time = end_time - start_time
print(f"Execution time: {execution_time: .4f} seconds")
"""识别结果"""
print(result)
常见调用问题
access_token 错误 API_KEY / SECRET_KEY 错误
params['access_token'] = authObj['access_token']
~~~~~~~^^^^^^^^^^^^^^^^
KeyError: 'access_token'
Process finished with exit code 1