Python（九）- 音频文字转换
Python 是一门通用性很强的语言，本文主要讲述其中的音频模块 gtts（Google文本到语音）的使用。
1.音频模块简介
- 文本转语音：
- gtts：谷歌模块
- aip：百度合成
- 格式转换：
- pydub和ffmpeg：实现mp3转wav格式
- 发音：
- pyttsx3：系统内置语音引擎实现发音，不生成mp3
- win32com：Windows操作系统内置的语音引擎实现文字发音
- 音频转文字：
- SpeechRecognition：IBM speech to text
谷歌gTTS模块：gtts文档
百度语音合成api接口：api文档
2.模块安装
pip install gTTS # 谷歌文字转语音
pip install baidu-aip # 语音合成
pip install playsound # 语音播放
pip install pyttsx3 # 语音引擎实现发音
pip install SpeechRecognition # 音频转文字
3.文字转音频
3.1.gtts模块使用
from gtts import gTTS
def text2voice():
"""文字转语音 - 谷歌 gtts模块"""
tts = gTTS(text="oh 宝贝! come on, baby!", lang="en")
tts.save("test.mp3")
3.2.百度合成
进入语音合成网站，登录创建应用
from aip import AipSpeech
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)
# 合成音频
def text_mixin_vocie():
result = client.synthesis('你好吗？', 'zh', 1, {
'vol': 5, })
# 识别正确返回语音二进制 错误则返回dict
if not isinstance(result, dict):
with open('auido.mp3', 'wb') as f:
f.write(result)
# 读取文件
def get_file_content(filePath):
cmd_str = "ffmpeg -y -i %s -acodec pcm_s16le -f s16le -ac 1 -ar 16000 %s.pcm"%(filePath, filePath)
os.system(cmd_str) # 调用系统命令ffmpeg,传入音频文件名即可
with open(filePath + ".pcm", 'rb') as fp:
return fp.read()
# 识别本地文件
res = client.asr(get_file_content('audio.m4a'), 'pcm', 16000, {
'dev_pid': 1536, # 1536表示能识别中文和英文，它的容错率比较高
})
print(res)
print(res['result'])
3.3.语音播放
from playsound import playsound
def play_voice():
playsound("store/test.mp3") # 音频文件路径
3.4.文字发音
win32com模块
import win32com.client as win
def word_pronunciation():
speak = win.Dispatch("SAPI.SpVoice")
speak.Speak("come on, baby!")
speak.Speak("宝贝儿，你好!")
pyttsx3模块
pyttsx3模块可能会安装失败，可去官网下载指定版本
import pyttsx3
def word_pronunciation_v2():
engine = pyttsx3.init()
engine.setProperty("voice", "HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Speech\Voices\Tokens\TTS_MS_ZH - CN_HUIHUI_11.0")
engine.say('开始语音合成中...')
engine.say("你好吗？宝儿姐...")
engine.say('全世界都在说中国话...')
engine.runAndWait()
4.音频转文字
4.1.注册IBM应用
首先去Speech to text官网注册.
4.2.获取凭证
到管理页面，获取凭证
4.3.转换实现
入门教程: Speech to Text
python接口使用参考
音频转换文字方式：
- python 脚本运行命令转录音频（参考文档中的
curl命令） - requests调用api接口（https://gateway-wdc.watsonplatform.net/speech-to-text/api/v1/recognize）
- speech_recognition模块
import speech_recognition as sr
import requests
harvard = sr.AudioFile('audio.wav') # 文件路径
r = sr.Recognizer()
with harvard as source:
audio = r.record(source)
print(type(audio))
IBM_USERNAME = '******'
IBM_PASSWORD= '******'
text = r.recognize_ibm(audio, username = IBM_USERNAME, password = IBM_PASSWORD, language='zh-CN')
# 或者
text = r.recognize_google(audio, language = 'zh-CN')
print(text)
5.音频格式转换
5.1.ffmpeg的使用
5.1.1.安装ffmpeg
参考：ffmpeg使用参考
pip install ffmpeg
5.1.2.引入exe路径：
- 将
ffmpeg添加到环境变量 - 在代码中引入
ffmpeg路径
5.1.3.实现转换
def trans_voice_type():
"""音频格式转换"""
source_path = "xxx"
save_path = 'xxx'
source_file = os.listdir(source_path)
for source in source_file:
old_path = os.path.join(source_path, source)
new_name = os.path.join(save_path, source[:-4]) # 截取音频名字,删除后缀
print('正在转换音频:{}'.format(new_name))
os.popen("C:\\python\\python36\\Tools\\ffmpeg\\bin\\ffmpeg.exe -i " + old_path + " " + new_name + ".wav")
print('所有音频转换完毕!')
5.2.pydub的使用
5.2.1.安装pydub
pip install pydub
5.2.2.实现转换
from pydub import AudioSegment
def convert_video(file_path):
outfile = os.path.splitext(os.path.realpath(file_path))[0] + '.wav'
AudioSegment.converter = "C:\\python\\python36\\Tools\\ffmpeg\\bin\\ffmpeg.exe"
AudioSegment.from_file(file_path).export(outfile, format='wav')
以上关于pydub转换时，会有FileNotFoundError报错信息，这是由于依赖程序ffmpeg未找到，手动设置后，依旧没解决，这里做个标记，后续解决再补充，或者有人知道的可以告诉我一下，感谢！
原文可见：我的博客 - 音频文字转换