SpringBoot项目（百度AI整合）——如何在Springboot中使用语音文件识别 & ffmpeg的安装和使用

前言

前言：在实际使用中，经常要参考官方的案例，但有时候因为工具的不一样，比如idea 和 eclipse，普通项目和spring项目等的差别；还有时候因为水平有限，难以在散布于官方的各个文档读懂；还有些时候因为自己测试使用的demo的文件不符合官网要求。。。总是实现不了相关功能。

本系列博客尝试结合官网案例，阐述百度 AI 开放平台里的组件使用方式，核心是如何在spring项目中快速上手应用。

本文介绍如何在Springboot中使用语音文件识别 & ffmpeg的安装和使用

引出

---

1.从官网demo到idea中使用；
2.从idea中使用到springboot项目整合；
3.ffmpeg的安装和使用初步；

一、如何使用语音识别

1.官网的sdk

https://ai.baidu.com/ai-doc/SPEECH/plbxfq24s

有时候找参考文档看到这个，点击git后有时候又打不卡

https://github.com/Baidu-AIP/java-sdk

打开GitHub其实有比较好的说明文档，但GitHub能否顺利打开又是不确定的

https://ai.baidu.com/sdk

这里可以下载各种sdk资源

2.下载sdk

下载压缩包，解压

官方文档提供了eclipse的使用： 3.在Eclipse右键“工程 -> Properties -> Java Build Path -> Add JARs”。

但我用idea比较顺手，eclipse是在不熟。

二、如何在idea中跑通demo

1.新建项目，新建lib文件夹

用来存放刚刚下载后解压获得的jar包

复制粘贴到lib目录下

2.选中作为lib引入

点击确定，导入成功

3.拷贝官网的案例

拷贝官网的案例，导入jar包里面的包

加入配置文件，日志相关

4.获得语音识别案例文件

然后我发现语音识别需要的文件格式是pcm的格式，所以又找了工具去转其他格式的文件为pcm，后来发现每次调用总是出各种文件；最后经过一番波折，终于在官网的python案例中找到一个示例文件。。。。

中间各种bug，最后终于用找到的这个案例跑通

三、如何结合springboot使用

jar包的理解

简易spring项目搭建总览

1.导入依赖

<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0modelVersion>

    <groupId>com.tianjugroupId>
    <artifactId>baidu-apiartifactId>
    <version>1.0-SNAPSHOTversion>

    <properties>
        <maven.compiler.source>8maven.compiler.source>
        <maven.compiler.target>8maven.compiler.target>
        <project.build.sourceEncoding>UTF-8project.build.sourceEncoding>
    properties>

    
    <parent>
        <groupId>org.springframework.bootgroupId>
        <artifactId>spring-boot-starter-parentartifactId>
        <version>2.6.13version>
    parent>

    <dependencies>
        <dependency>
            <groupId>org.springframework.bootgroupId>
            <artifactId>spring-boot-starter-webartifactId>
        dependency>


        <dependency>
            <groupId>com.baidu.aipgroupId>
            <artifactId>java-sdkartifactId>
            <version>4.16.16version>
        dependency>

        
        <dependency>
            <groupId>com.alibabagroupId>
            <artifactId>fastjsonartifactId>
            <version>2.0.12version>
        dependency>

        <dependency>
            <groupId>org.projectlombokgroupId>
            <artifactId>lombokartifactId>
            <optional>trueoptional>
        dependency>

        <dependency>
            <groupId>junitgroupId>
            <artifactId>junitartifactId>
            <version>4.12version>
            <scope>testscope>
        dependency>

    dependencies>

project>

2.进行配置

BaiduPro配置类

package com.tianju.config.baidu;


import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor;
import org.springframework.boot.context.properties.ConfigurationProperties;
import org.springframework.context.annotation.PropertySource;
import org.springframework.stereotype.Component;

/**
 * 专门用来获取配置文件里的值
 */
@Component
@ConfigurationProperties(prefix = "baidu")
@PropertySource("classpath:config/baiduAip.properties")

@Data
@NoArgsConstructor
@AllArgsConstructor

public class BaiduPro {
    private String appId;
    private String apiKey;
    private String secretKey;
}

配置类，放入容器中

package com.tianju.config.baidu;

import com.baidu.aip.speech.AipSpeech;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

/**
 * 百度相关的配置文件
 */
@Configuration
public class BaiduConfig {

    @Autowired
    private BaiduPro baiduPro;

    /**
     * 语音相关 AipSpeech
     * @return AipSpeech放容器中
     */
    @Bean
    public AipSpeech aipSpeech(){

        // 初始化一个AipSpeech
        AipSpeech client = new AipSpeech(baiduPro.getAppId(), baiduPro.getApiKey(), baiduPro.getSecretKey());

        // 可选：设置网络连接参数
        client.setConnectionTimeoutInMillis(2000);
        client.setSocketTimeoutInMillis(60000);
        return client;
    }
}

3.controller层进行调用

GET http://localhost:10050/api/baidu/hello

package com.tianju.config.controller;

import com.baidu.aip.speech.AipSpeech;
import com.tianju.config.resp.HttpResp;

import lombok.extern.slf4j.Slf4j;
import org.json.JSONObject;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequestMapping("/api/baidu")

@Slf4j
public class BaiduApiController {

    @Autowired
    private AipSpeech aipSpeech;

    @GetMapping("/hello")
    public HttpResp hello(){
        JSONObject pcm = aipSpeech.asr(
                "D:\\Myprogram\\springboot-workspace\\spring-project\\baidu-api\\src\\main\\resources\\static\\helloAipSpeech.pcm",
                "pcm", 16000, null);
        log.debug("get response："+pcm.toString());
        return HttpResp.success(pcm.toString());
    }
}

四、ffmpeg的使用简介

1.基础知识

官网： https://ffmpeg.org/

FFMPEG简介

FFmpeg的名称来自MPEG视频编码标准，前面的“FF”代表“Fast Forward”，FFmpeg是一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序。可以轻易地实现多种视频格式之间的相互转换。
FFmpeg的用户有Google，Facebook，Youtube，优酷，爱奇艺，土豆等

基础知识

1.容器/文件(Conainer/File)：即特定格式的多媒体文件，比如mp4、flv、mkv等。

2.媒体流（Stream）：表示时间轴上的一段连续数据，如一段声音数据、一段视频数据或一段字幕数据，可以是压缩的，也可以是非压缩的，压缩的数据需要关联特定的编解码器。

3.数据帧/数据包(Frame/Packet)：通常，一个媒体流是由大量的数据帧组成的，对于压缩数据，帧对应着编解码器的最小处理单元，分属于不同媒体流的数据帧交错存储于容器之中。

一般情况下：

Frame对应压缩前的数据，Packet对应压缩后的数据。

4.编解码器(Codec)：以帧为单位实现压缩数据和原始数据之间的相互转换的

5.复用(mux)：把不同的流按照某种容器的规则放入容器，这种行为叫做复用（mux）

6.解复用(mux)：把不同的流从某种容器中解析出来，这种行为叫做解复用(demux)

\7. 码率和帧率是视频文件的最重要的基本特征，对于他们的特有设置会决定视频质量。如果我们知道码率和时长那么可以很容易计算出输出文件的大小。

8.帧率：帧率也叫帧频率，帧率是视频文件中每一秒的帧数，肉眼想看到连续移动图像至少需要15帧。

9.码率：比特率(也叫码率，数据率)是一个确定整体视频/音频质量的参数，秒为单位处理的位数，码率和视频质量成正比，在视频文件中中比特率用bps来表达。

2.安装和命令的使用

下载后，到指定位置解压，然后进行环境变量的配置

cmd命令测试是否成功

3.使用命令

ffmpeg -i wjs.aac -acodec pcm_s16le -ar 44100 output.pcm
ffmpeg -i wjs.aac -acodec pcm_s16le -f s16le -ac 2 -ar 16000 16k.pcm

ffmpeg -i wjs.aac -ss 00:00:10 -to 00:00:59 -f s16le -ar 16000 16.pcm

这是一个使用FFmpeg命令行工具的命令，用于将音频文件wjs.aac从第10秒到第59秒的部分提取出来，并将其转换为16位有符号的PCM格式，采样率为16000Hz，保存为16.pcm文件。

具体参数解释如下：

• -i wjs.aac：指定输入文件为wjs.aac。
• -ss 00:00:10：指定从第10秒开始提取。
• -to 00:00:59：指定提取到第59秒结束。
• -f s16le：指定输出格式为16位有符号的PCM。
• -ar 16000：指定输出音频的采样率为16000Hz。
• 16.pcm：指定输出文件名为16.pcm。

所以，这个命令的意思是提取wjs.aac文件中从第10秒到第59秒的音频部分，并将其转换为16位有符号的PCM格式，采样率为16000Hz，保存为16.pcm文件。

提取1分钟的pcm音频文件命令

---

总结

1.从官网demo到idea中使用；
2.从idea中使用到springboot项目整合；
3.ffmpeg的安装和使用初步；