python将音频转换成文字_用Python将音频内容转换为文本格式

当对一个或多个人的谈话进行记录时，采用一种高度准确和自动化的方式将口语提取为文本非常有用。转换成文字后，便可以将其用于进一步分析或用作其他功能。

在本教程中，我们将使用称为AssemblyAI(https://www.assemblyai.com/)的高精度语音转文本Web API从MP3录音中提取文本(也支持许多其他格式)。

在本教程中，音频文件示例下载地址请扫描本文下方二维码添加Python小助手获取，下面是音频输出如下所示的高精度文本转录内容：

教程要求

在本教程中，我们将使用以下依赖项，稍后将安装它们。请确保您的环境中还安装了Python 3，最好安装3.6或更高版本：

我们将使用以下依赖关系来完成本教程：requests 2.24.0 来向AssemblyAI语音文本API发出HTTP请求

一个 AssemblyAI 帐户，您可以在此处(https://app.assemblyai.com/login/)注册免费的API访问密钥

本文所有代码下载地址请扫描本文下方二维码添加Python小助手获取。

搭建开发环境

转到保存Python虚拟环境的目录。我将我的目录保存在用户主目录下的venvs子目录中。使用以下命令为此项目创建一个新的virtualenv。

用 shell 命令激活 virtualenv：

执行上述命令后，命令提示符将发生更改，因此virtualenv的名称将以原始命令提示符格式开头，如果您的提示符只是$，则其外观如下所示：

请记住，您必须在每个 virtualenv 中使用依赖项的新终端窗口中激活您的 virtualenv 。

现在，我们可以将请求包安装到已激活但为空的 virtualenv 中。

查找类似于以下内容的输出，以确认从PyPI正确安装了相应的软件包。

我们已经安装了所有必需的依赖项，因此我们可以开始对应用程序进行编码。

上传、启动和转录音频

我们已完成开始构建应用程序所需的一切，该应用程序会将音频转换为文本。我们将在三个文件中构建此应用程序：

1、upload_audio_file.py：将您的音频文件上传到AssemblyAI服务上的安全位置，以便可以进行处理。如果您的音频文件已经可以通过公共URL访问，则无需执行此步骤，只需按照此快速入门(https://docs.assemblyai.com/overview/getting-started)

2、initial_transcription.py：告诉API要转录并立即启动的文件

3、get_transcription.py：如果仍在处理转录，则显示转录状态，或者在处理完成后显示转录结果

创建一个名为pytranscribe的新目录，以在我们编写文件时存储这些文件。然后转到新的项目目录。

我们还需要将 AssemblyAI API 密钥导出为环境变量。注册 AssemblyAI 帐户并登录 AssemblyAI 仪表板，然后复制“您的API token”，如以下屏幕截图所示：

请注意，必须每个命令行窗口中使用 export 命令以保证此密钥可访问。如果您没有在运行脚本的环境中将标记导出为 ASSEMBLYAI_KEY，则我们正在编写的脚本将无法访问API。

现在我们已经创建了项目目录并将API密钥设置为环境变量，让我们继续编写第一个文件的代码，该文件会将音频文件上传到AssemblyAI服务。

上传音频文件并进行转录

创建一个名为upload_audio_file.py的新文件，并将以下代码放入其中：

上面的代码导入了argparse，os和request软件包，以便我们可以在此脚本中使用它们。API_URL是一个常量，具有AssemblyAI服务的基本URL。我们使用单个参数定义upload_file_to_api函数，filename应该是一个字符串，其中包含文件及其文件名的绝对路径。

在函数中，我们检查文件是否存在，然后使用Request的分块传输编码将大文件流式传输到AssemblyAI API。

os模块的getenv函数读取使用带有getenv的export命令在命令行上设置的API。确保在运行此脚本的终端中使用该导出命令，否则ASSEMBLYAI_KEY值将为空白。如有疑问，请使用echo $ ASSEMBLY_AI查看该值是否与您的API密钥匹配。

要使用upload_file_to_api函数，请将以下代码行添加到upload_audio_file.py文件中，以便我们可以正确地将此代码作为使用python命令调用的脚本执行：

上面的代码创建了一个ArgumentParser对象，它允许应用程序从命令行获取单个参数来指定我们要访问的对象，读取并上传到AssmeblyAI服务的文件。

如果文件不存在，脚本将显示一条消息，提示找不到该文件。在路径中，我们确实找到了正确的文件，然后使用upload_file_to_api函数中的代码上传了文件。

通过使用python命令在命令行上运行完整的upload_audio_file.py脚本，以执行该脚本。将FULL_PATH_TO_FILE替换为您要上传的文件的绝对路径，例如/Users/matt/devel/audio.mp3。

假设在您指定的位置找到文件，当脚本完成文件的上传后，它将打印一条带有唯一URL的消息：

该URL不是公开的，只能由AssemblyAI服务使用，因此除您及其转录的API外，其他任何人都无法访问您的文件及其内容。

重要的部分是URL的最后一部分，在此示例中为463ce27f-0922-4ea9-9ce4-3353d84b5638。保存该唯一标识符，因为我们需要将其传递给下一个启动转录服务的脚本。

启动转录

接下来，我们将编写一些代码来开始转录。创建一个名为initial_transcription.py的新文件。将以下代码添加到新文件中。

我们具有与先前脚本相同的导入，并添加了一个新常量CDN_URL，该常量与AssemblyAI存储上传的音频文件的单独URL匹配。

initiate_transcription函数本质上只是向AssemblyAI API设置了一个HTTP请求，以传入的特定URL对音频文件启动转录过程。这就是为什么file_id传递很重要的原因：完成音频文件的URL 我们告诉AssemblyAI进行检索。

通过附加此代码来完成文件，以便可以从命令行轻松地使用参数调用它。

通过在initiate_transcription文件上运行python命令来启动脚本，并传入您在上一步中保存的唯一文件标识符。

API将发回该脚本打印到命令行的JSON响应。

记下JSON响应中id键的值。这是我们需要用来检索转录结果的转录标识符。在此示例中，它是gkuu2krb1-8c7f-4fe3-bb69-6b14a2cac067。复制转录标识符到您自己的响应中，因为在下一步中我们将需要它来检查转录过程何时完成。

检索转录结果

我们已经上传并开始了转录过程，因此，准备就绪后，我们将尽快获得结果。

返回结果所需的时间取决于文件的大小，因此下一个脚本将向HTTP发送一个HTTP请求，并报告转录状态，或者在完成后打印输出。

创建一个名为 get_transcription.py 的第三个Python文件，并将以下代码放入其中。

上面的代码与其他脚本具有相同的 imports 对象。在这个新的get_transcription函数中，我们只需使用我们的API密钥和上一步中的转录标识符(而不是文件标识符)调用AssemblyAI API。我们检索JSON响应并将其返回。

在main函数中，我们处理作为命令行参数传入的转录标识符，并将其传递给get_transcription函数。如果来自get_transcription函数的响应JSON包含completed状态，则我们将打印转录结果。否则，请在completed之前打印当前状态如queued或processing。

使用命令行和上一节中的转录标识符调用脚本：

如果该服务尚未开始处理脚本，则它将返回queued，如下所示：

当服务当前正在处理音频文件时，它将返回processing：

该过程完成后，我们的脚本将返回转录文本，如您在此处看到的那样：

就是这样，我们已经转录完成了！

您可能想知道如果精度不适合您的情况该怎么办。这就是需要用到提高关键字或短语的准确性方法(https://docs.assemblyai.com/guides/boosting-accuracy-for-keywords-or-phrases)和选择与数据更匹配的模型方法(https://docs.assemblyai.com/guides/transcribing-with-a-different-acoustic-or-custom-language-model)的地方。您可以使用这两种方法中的任一种，将记录的准确性提高到适合您情况的水平。

下一步是什么？

我们刚刚完成了一些脚本，这些脚本调用AssemblyAI API来将带有语音的录音转录为文本输出。您可以查阅文档(https://docs.assemblyai.com/overview/getting-started)来增加一些更高级功能:支持不同的文件格式

转录双通道/立体声录音

获取扬声器标签(扬声器隔离)