Python调用阿里云的智能语音交互接口实现录音转文字

质量声明：原创文章，内容质量问题请评论吐槽。如对您产生干扰，可私信删除。
主要参考：阿里云官方接口文档

---

摘要： Python调用阿里云的智能语音交互接口，依靠对象存储服务（OSS）上传音频，实现录音文件识别，输出为txt文本。支持单轨/双轨的wav、mp3格式，最大支持文件512MB，最大录音时长2个小时。

---

---

处理音频

由于阿里、百度、腾讯、讯飞等语音处理平台都对语音参数有特定要求，所以我们需要预先处理音频。好在要求都基本一致，主要是采样率必须是16k Hz或8k Hz，采样位数16bit，单/双通道，wav或mp3。这些通过调用pydub包即可实现转换。

安装 pydub

pip3 install pydub

安装 ffmpeg

• 下载地址：https://ffmpeg.zeranoe.com/builds/
• 本文版本：ffmpeg-20190826-0821bc4-win64-static.zip
• 下载好不需要安装，解压至某一文件夹，配置好环境变量（如：D:\Program Files\ffmpeg-20190826-0821bc4-win64-static\bin）即可
• 验证安装：命令行输入ffmpeg -version

音频处理程序

• 实现时长剪辑、采样率&采样位数转换、声道选择、格式转换功能，支持WAV、MP3、ogg、flv格式。

from pydub import AudioSegment


def wavSample(from_path, to_path, frame_rate=16000, channels=1, startMin=0, endMin=None):
	# 根据文件的类型选择导入方法
    audio = AudioSegment.from_wav(from_path)  
    # mp3_version = AudioSegment.from_mp3("never_gonna_give_you_up.mp3")
    # ogg_version = AudioSegment.from_ogg("never_gonna_give_you_up.ogg")
    # flv_version = AudioSegment.from_flv("never_gonna_give_you_up.flv")
    startTime = startMin * 60 * 1000  # 单位ms
    endTime = endMin * 60 * 1000 + 1 if endMin else None  # 单位ms
    audio = audio[startTime:endTime]
    mono = audio.set_frame_rate(frame_rate).set_channels(channels)  # 设置声道和采样率
    mono.export(to_path, format='wav', codec='pcm_s16le')  # codec此参数本意是设定16bits pcm编码器


if __name__ == '__main__':
    wavSample("sample.WAV", "sample_new.WAV")

---

上传至OSS

由于各大智能语音识别服务的平台，都仅支持基于HTTP可访问的URL地址，不支持提交本地文件，所以需要上传至网络。我用的是阿里云的OSS存储，使用方法参考官方文档：阿里云对象存储 OSS 快速入门。主要浏览如何开通OSS，如何上传录音文件并开放读权限即可。上传完成，需要获得访问链接，格式如：https://xxxx.oss-cn-beijing.aliyuncs.com/xxxx.WAV

---

录音识别程序

开通服务： 参考官方文档，浏览如何开通智能语音交互即可，需要获得

• accessKey Id
• accessKey Secret
• appKey

调用代码： 改动自官方Demo，新增识别结果解析，组合后存储为txt文件

# -*- coding: utf8 -*-
import json
import time
from aliyunsdkcore.acs_exception.exceptions import ClientException
from aliyunsdkcore.acs_exception.exceptions import ServerException
from aliyunsdkcore.client import AcsClient
from aliyunsdkcore.request import CommonRequest


def fileTrans(akId, akSecret, appKey, fileLink):
    # 地域ID，常量内容，请勿改变
    REGION_ID = "cn-shanghai"
    PRODUCT = "nls-filetrans"
    DOMAIN = "filetrans.cn-shanghai.aliyuncs.com"
    API_VERSION = "2018-08-17"
    POST_REQUEST_ACTION = "SubmitTask"
    GET_REQUEST_ACTION = "GetTaskResult"
    # 请求参数key
    KEY_APP_KEY = "appkey"
    KEY_FILE_LINK = "file_link"
    KEY_VERSION = "version"
    KEY_ENABLE_WORDS = "enable_words"
    # 是否开启智能分轨
    KEY_AUTO_SPLIT = "auto_split"
    # 响应参数key
    KEY_TASK = "Task"
    KEY_TASK_ID = "TaskId"
    KEY_STATUS_TEXT = "StatusText"
    KEY_RESULT = "Result"
    # 状态值
    STATUS_SUCCESS = "SUCCESS"
    STATUS_RUNNING = "RUNNING"
    STATUS_QUEUEING = "QUEUEING"

    # 创建AcsClient实例
    client = AcsClient(akId, akSecret, REGION_ID)

    # 提交录音文件识别请求
    postRequest = CommonRequest()
    postRequest.set_domain(DOMAIN)
    postRequest.set_version(API_VERSION)
    postRequest.set_product(PRODUCT)
    postRequest.set_action_name(POST_REQUEST_ACTION)
    postRequest.set_method('POST')

    # 新接入请使用4.0版本，已接入(默认2.0)如需维持现状，请注释掉该参数设置
    # 设置是否输出词信息，默认为false，开启时需要设置version为4.0
    task = {KEY_APP_KEY: appKey, KEY_FILE_LINK: fileLink, KEY_VERSION: "4.0", KEY_ENABLE_WORDS: False}
    # 开启智能分轨，如果开启智能分轨 task中设置KEY_AUTO_SPLIT : True
    # task = {KEY_APP_KEY : appKey, KEY_FILE_LINK : fileLink, KEY_VERSION : "4.0", KEY_ENABLE_WORDS : False, KEY_AUTO_SPLIT : True}
    task = json.dumps(task)

    postRequest.add_body_params(KEY_TASK, task)

    taskId = ""
    try:
        postResponse = client.do_action_with_exception(postRequest)
        postResponse = json.loads(postResponse)
        statusText = postResponse[KEY_STATUS_TEXT]
        if statusText == STATUS_SUCCESS:
            print("录音文件识别请求成功响应！")
            taskId = postResponse[KEY_TASK_ID]
        else:
            print("录音文件识别请求失败！")
            return
    except ServerException as e:
        print(e)
    except ClientException as e:
        print(e)

    # 创建CommonRequest，设置任务ID
    getRequest = CommonRequest()
    getRequest.set_domain(DOMAIN)
    getRequest.set_version(API_VERSION)
    getRequest.set_product(PRODUCT)
    getRequest.set_action_name(GET_REQUEST_ACTION)
    getRequest.set_method('GET')
    getRequest.add_query_param(KEY_TASK_ID, taskId)

    # 提交录音文件识别结果查询请求
    # 以轮询的方式进行识别结果的查询，直到服务端返回的状态描述符为"SUCCESS"、"SUCCESS_WITH_NO_VALID_FRAGMENT"，
    # 或者为错误描述，则结束轮询。
    statusText = ""
    while True:
        try:
            getResponse = client.do_action_with_exception(getRequest)
            getResponse = json.loads(getResponse)
            statusText = getResponse[KEY_STATUS_TEXT]
            if statusText == STATUS_RUNNING or statusText == STATUS_QUEUEING:
                # 继续轮询
                time.sleep(30)
            else:
                # 退出轮询
                break
        except ServerException as e:
            print(e)
        except ClientException as e:
            print(e)
    
    # 结果解析与保存        
    if statusText == STATUS_SUCCESS:
        texts = ""
        result = getResponse["Result"]
        sentences = result["Sentences"]
        maxlength = 30  # 按长度分段
        for i, sentence in enumerate(sentences):
            index = i % (maxlength + 1)
            if index == maxlength:
                # 以追加方式存入文件
                with open("recognition.txt", "a+") as f:
                    f.write(texts + "\r\n\r\n")
                texts = ""
            text = sentence["Text"]
            texts += text
        print("录音文件识别成功！\n")
    else:
        print("录音文件识别失败！")


def main():
	# 配置阿里云接口
    accessKeyId = "填入开通服务的accessKey Id"
    accessKeySecret = "填入开通服务的accessKey Secret "
    appKey = "填入开通服务的appKey"
    # 输入录音url
    fileLink = "填入上传至OSS的录音的url"
    # 执行录音文件识别，识别成功后将输出recognition.txt文件
    fileTrans(accessKeyId, accessKeySecret, appKey, fileLink)


if __name__ == '__main__':
    main()

---

识别结果

1. 写博客的时候，发现阿里云OSS已经欠费停止了，我手里只有一个讲座的识别结果，但内容涉密，只能打码…/捂脸
2. 标准普通话的识别效果挺好，带口音的就很勉强了，毕竟有的人耳也听不清