用python写一个录音小工具

Python的paramiko，wxPython库的应用
Sound eXchange 命令行

需求

最近在给一个做语音识别的项目做QA工作。众所周知，此类人工智能方面的项目都需要一些数据收集的工作。作为一个比较小型的团队，暂时还没有使用外包团队来做大量的数据，前期数据来源都是团队内的同事录音。

我们的录音工具是树莓派+麦克风阵列，通过ssh，可以用电脑操作树莓派开始录音和停止录音。虽然从QA的角度来说，操作非常固定，但是团队同事有近一半同事不是程序猿，看到secureCRT这么恐怖的界面（此处应有图）大多还是有心理障碍。

所以为了提升用户体验（其实是没有工具就得我一个人来录了），用python做了个简单的工具，达到了点点就能用效果。顺带还整合了两三波新的需求

基本功能

可以从语料库中随机出一句话，展示在界面上给朗读人看
可以点击按钮开始录音，点击按钮结束录音。留了一个取消录音功能防止嘴飘。
有一些环境参数（性别，安静环境/嘈杂环境，距离等）可以手动填入
结束录音后可以按照格式保存为xxxx.wav文件

升级功能

支持播放已有语音的功能，用于做环境噪音合成

原理

麦克风阵列通过USB连接到树莓派，树莓派通过无线连接到插在电脑上的360随身wifi上。PC通过secureCRT或者mac的ssh语句可以远程到树莓派上执行指令。
连上以后执行下述命令即可开始录音。
$arecord -D "plughw:1,0" -r 16000 -c 10 -f S16_LE test.wav
录音指令是阻塞的，ctrl+C停止录音。

Version.1 Flask + paramiko

第一个版本就是基于上述原理的。而且因为要做个界面，所以就选了比较熟悉的Bootstrap做网页，Flask做后端，通过paramiko来执行操作。

paramiko

连接

paramiko创建ssh连接的方式如下：

import paramiko

IP = "xxx.xxx.xxx.xxx"
PORT = 22
USERNAME = "user"
PASSWORD = "pwd"
ssh = paramiko.SSHClient()
ssh.set_missing_host_key_policy(paramiko.AutoAddPolicy())
ssh.connect(IP, PORT, USERNAME, PASSWORD)

执行指令

paramiko中执行指令的类有2个，一个是上述代码中的ssh，可以用stdin, stdout, stderr = ssh.exec_command(cmd)来执行cmd指令，还有一个是可以用channel来执行。

chan = ssh.get_Transport().open_session()
chan = send(cmd)
str = chan.recv(recv_buffer)

考虑到上述录音指令是阻塞的，因此如果采用ssh.exec_command(cmd)没有办法通过ctrl+C来停止录音。因此考虑采用channel.send的方法。ctrl+C可以用channel.send('\x03')来执行。
但是各种花式调用以后，一直都没能停掉录音的进程，原因不明。
因此尝试了一下直接kill掉进程可以保存数据以后，选择了简单粗暴地kill掉arecord所在进程的方法。那么接下来的问题就是获取arecord所在进程id的方法了。
执行$ps -ef | grep \"arecord\" | grep -v grep | awk '{print $2}'可以获取到arecord所在进程pid，再拼接指令$kill -9 xxxx即可杀掉进程。

前端

前端其实没啥好说，提交表单，ajax刷新页面。不过之前其实也没有写过ajax的get方法，所以记录一下

function randomclick(){
        $.get("/random", function(data){document.getElementById('scentence').innerHTML = data;})
    };

整体框架

解决了上述执行指令的问题以后，基本就是给网页提供接口了。除了随机语句的功能以外，就是

开始录音：执行录音语句
结束录音：结束录音进程，并将语音文件重命名为指定格式的wav文件
取消录音：结束录音进程，删除临时语音文件

Version.2 wxPython+sox

后来因为有了新的需求，主要是播放wav文件和文件命名优化。回过头来看了看，觉得这种需求做成网页其实是不大合适的，毕竟根本没法处理并发的情况。所以决定用python的UI库来做成一个小工具。
之前用过python的pyqt库，但是不知道为什么安装不上pyqt（我觉得就是那阵特别不顺，没别的！），于是换成了wxPython。后来发现wxPython的media还自带音频播放功能。

wxPython

UI设计

大概描述一下需求吧

文本展示框，附带2个功能按钮，只改变该文本框的内容
退出时保存一些运行信息到文件中
几个信息输入框，可能有select，也有可能有文本输入
开始录音、结束录音和取消录音按钮
选择播放录音目录的按钮和播放录音的按钮

接下来就一个一个需求点来说吧

文本展示框

sentence = wx.TextCtrl(self, style = wx.TE_MULTILINE, size = (xx, xx))
sentence.SetValue(str)
str = sentence.GetValue()

style = wx.TE_MULTILINE表示该文本框为多行文本框，会自动换行。默认为单行文本框。可以用SetValue方法设置其值，也可以用GetValue来读取文本框的值。

退出时保存信息

def __init__(self, parent, title)
  self.Bind(wx.EVT_CLOSE, self.onExit, parent)
def onExit(self, evt):
  # do sth
  evt.Skip()
  pass

在init函数中通过self.Bind将wx.EVT_CLOSE事件绑定到self.onExit函数上。
在self.onExit函数中将运行时的参数保存于文档中。
注意最后需要evt.Skip()来执行关闭界面的功能
特别需要注意的是，当前类需要继承wx.Frame才能使得关闭界面与当前类的wx.EVT_CLOSE事件绑定。

选择框

category_list = ["男", "女"]
classify = wx.Choice(self, -1, choices=category_list, size = (100, 48))
classify.SetSelection(0)

wx.Choice组件需要提供下拉选择列表，比如category_list，可以用SetSelection(idx)将列表中的idx项设为默认值。如果没有设定默认值，默认显示为空。

目录选择按钮

def onClickSelectDir(self, evt):
    dlg = wx.DirDialog(self, "Choose a directory:")
    if dlg.ShowModal() == wx.ID_OK:
        path = dlg.GetPath()
        self.updatelist(path)
    dlg.Destroy()

将目录选择按钮的wx.EVT_BUTTON绑定至onClickSelectDir函数上。通过path = dlg.GetPath()获取到选择的目录以后，执行自定义的updatelist(path)来完成保存数据的功能。

播放功能

def __init__(self, parent, title):
  try:
    self.mc = wx.media.MediaCtrl(self, style=wx.SIMPLE_BORDER)
  except NotImplementedError:
    self.Destroy()
    raise
  self.Bind(EVT_BUTTON, onPlay, playbutton)
def onPlay(self, evt):
  self.mc.Load(self.filename)
  time.sleep(0.5)
  self.mc.Play()

在init中定义MediaCtrl控件
把playbutton的点击事件和onPlay函数绑定
onPlay函数中，首先用MediaCtrl组件的Load函数加载媒体文件，sleep(0.5)后执行Play函数。
其实这种写法并不是非常专业，之前调研的结果是需要处理EVT_MEDIA_LOADED事件，但是尝试发现将此事件与函数绑定后并未触发该事件，因此简单粗暴sleep解决。