Python调用百度API实现语音识别
Python调用百度API实现语音识别（一）
前言
上篇文章介绍了下如何用 Python 剪辑视频，想回顾的同学可以拉到文章最下面，有历史链接。
有了上篇文章野狼disco的音频，今天就来带大家玩一下百度的API，如何借用百度 API 的语音识别功能，将我们的音频转为文字。最终落地到 word 中。
当然，转为文字后，也为之前语音机器人做了铺垫，转换的文字可以写入到程序中，后续机器人朗读声音而用。
百度 API 官网准备工作
- 搜索
- 开放能力 -> 语音技术 -> 语音识别
可以看到这里有三种语音类型，点哪个都行，这里选择语音识别即可。
先点击技术文档看下：
左侧实际上只包含了标准版和极速版，没有看到长语音版。
对比了下价格，果断选择了标准版！自己玩，怎么实惠怎么来！
看了上面普通版的文档，有几点需要注意的：
- 格式
原始 PCM 的录音参数必须符合 16k 采样率、16bit 位深、单声道，支持的格式有：pcm（不压缩）、wav（不压缩，pcm编码）、amr（压缩格式）。
百度开放平台
- 时长
目前系统支持的语音时长上限为60s，请不要超过这个长度，否则会返回错误。
百度开放平台
注册获取key
不论是之前写过的调用高德api，还是这次的百度api，都可以找到共性，你在用别人提供的接口时，必须要有身份验证这一步。
这意味着你需要去人家平台注册，获取到人家平台给你颁发的身份验证。也就是 key 之类的信息。
查看 Python SDK 文档发现：
文档页的右上侧，有个控制台，点进去，自己注册下。
- 左侧音频图标 -> 创建应用
- 填写信息
- 完成
总结
前戏已备好，key等信息已经有了。只需要记住上面说的两个注意点即可。
下一篇开始我们真正的编码。
有什么问题，欢迎评论区留言！
Python调用百度API实现语音识别（二）
前言
上一篇文章里，大致介绍了百度官方 api 的一些前置准备工作。
想回顾的同学，可以看完本篇在下面找到历史链接。
今天就来上手实战编码，体验一下代码实现以及编程中遇到的坑。
环境准备
开始之前，安装百度语音 sdk ，Python 版。
pip install baidu-aip
环境很简单，就这一步，完成即可编码。
代码撸起
直接拷贝官方提供的代码，就行了，改点参数，上篇文章介绍百度官方申请到的 key 之类的信息自行填入：
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)
# 读取文件
def get_file_content(file_path):
with open(file_path, ‘rb’) as fp:
return fp.read()
# 识别本地文件
result = client.asr(get_file_content(‘disco.wav’), ‘wav’, 16000, {
‘dev_pid’: 1537, # 默认1537（普通话 输入法模型），dev_pid参数见本节开头的表格
})
脚本同级目录下，把上次解析的 野狼disco.mp3 改下后缀，变成 wav 格式的，上传。注意下 dev_pid，这里贴出官方参数，用 1537 即可。
看下百度封装好的源码，我们最终以什么样的形式来接受数据。
封装请求的代码是 client.asr ，下面逐步来看下它。
- asr 函数
进来可以看到，有几个默认参数，格式默认 pcm 音频后缀，采样率默认 16000。然后最终封装成 data 字典的形式传入到 _requests() 里，这里有个 __asUrl 变量，即百度请求的 api 地址。
- _requests 函数
不论最终走到哪里，反正返回的 obj 对象都是经过 _proccessResult函数进行处理返回的。而传进的参数则是 requests 库请求后返回的结果。
- _proccessResult 函数
根据 sys.version_info.major 进行不同的 Python 版本号判断，进行不同的 json 解析，如果是 2，则不用对内容进行解码。
源码看到这里，所以了解最终返回的是什么类型了吗。。
json.loads，在之前小课堂 json 篇中说过，返回的是 dict 类型。
运行下代码：
哎，返回了 3301 ，错误信息写着，音频质量错误，查阅下官方文档：
看来是野狼 disco 背景音乐太嘈杂哦，可以换一个无背景音乐的音频自行尝试。
但是呢，这里又遇到个坑，当你从视频中如果提取音频时，也需要注意这个问题。
这个坑就是，音频的采样率：
用 mac 自带的 QuickTime 录制的音频采样率默认为 48 kHz。而百度要求采样率是 16 kHz。
如果你不把采样率转成符合它的要求，则会下面的状态码 3307 ，服务端语音识别错误：
解决方案很简单，按百度的要求来呗！把音频采样率转化一下。
安装第三方库 ffmpeg-python：
pip install ffmpeg-python
一行代码即可完成转化采样率：
import ffmpeg
ffmpeg.input(‘mi.wav’).output(‘mi2.wav’, ar=16000).run()如果执行这段代码后，报错：
mac的同学用下面命令安装下 ffmpeg 即可，windows同学估计不会遇到，如果遇到，自行去官网下载安装尝试下。
brew install ffmpeg安装成功后，执行代码，可以看到生成了新的音频文件：
回到语音转文字代码的文件中，再次执行代码：
先看百度解析成功，返回的文字结果在 key 为 result 中，其中是个 list，所以直接取出来即可。
可以发现，结果中文并不准确。此时用的 1537，而 Siri 配音的可能带点外国口音，所以试试 1536 。
看来还是有一些误差的，Siri男版口音可能严重些，至于怎么选输入法模型的 dev_pid 码，自己尝试，看看准确率高的即可。上面有介绍到官方文档的码表。
总结
简单总结下，这篇文章即符合主线机器人，也符合之前后台提问题的那个小伙伴。上述所有过程，都是我在编码过程中亲身遇到的坑。
所以可以借鉴，没遇到相同错误更好，遇到了自己对着百度的官网看看到底是什么错误。
至于本篇文章的编码，涉及的不多，就不上传到 github 了，下一篇要讲下如何用 Python 玩转 Word 操作，所以打算把下篇文章涉及到的代码留个记录，转语音后的文字，落地到 Word 中，敬请期待！
如果学习中遇到什么问题的小伙伴，欢迎评论区下方留言！