Python SpeechRecognition库安装及使用中文识别Python SpeechRecognition库安装及使用中文识别

Python里的SpeechRecognition库是一个很好用的语音识别库，提供了将语音转换成文字的方便的方法。

安装

    使用pip即可

pip install SpeechRecognition

语音

Speechrecognition主要是将一些常见的语音识别api封装成了函数并且直接有调用麦克风的方法，用起来很方便。

最终要传给语音识别函数的是名为AudioData的对象，为了得到AudioData对象，我们有常用的两种办法：用音频文件或直接录音。具体使用如下：

import speechrecognition as sr

r = sr.Recognizer()

直接录音

with sr.Microphone() as source:
    audioData = recognizer_instance.listen(source,time)

此处audioData就是我们要的

用音频文件

audioFile = sr.AudioFile("Path/to/audio/file/audioFile.wav")
with audioFile as source:
   audioData = r.record(source)

此处audioData就是我们要的
r是Recognizer对象，语音输入、识别大部分操作用它进行

with用来创建上下文，这样sr打开麦克风或文件用完后就会关掉

Microphone接受一个整数参数，代表麦克风硬件编号，默认是系统默认

---

识别

识别这部分主要用speechrecognition封装的api和其他方法，包括:

其中大部分是只能在线使用的，且需要对应的api_key，去获得api_key，你就得注册他们的服务，可能要给钱，比较麻烦。但是其中也有无需注册或付费的和能线下使用的。

具体来说，我们还是需要用Recognizer对象，用它的各种方法（如上图）进行语音识别，以下列举几个好用的。

Google Speech API

Google Speech API 是使用时不必须提供api_key的，但是既然它是google的服务，国内使用是要用魔法的。它使用Recognizer的recognize_google()方法，此方法有两个参数比较重要，AudioData和language，前者是文章上部分提到的，后者是识别的语言，是字符串，形如"zh-CN"或"en-US"或别的。举例，以下这个程序将audio.wav以英语识别并输出:

import speech_recognition as sr

r = sr.Recognizer()

test = sr.AudioFile('/Path/to/audio/audio.wav')

with test as source:
    audio = r.record(source)

said = r.recognize_google(audio, language='en-US')
print("google think you said:",said)

CMU Sphinx

CMU Sphinx是可以线下使用的，但是可能效果稍微差点，且需要一个额外的库:

pip install pocketsphinx

这个额外的库默认只有英语的模型。如果要识别中文语音，需要在 python安装目录\Lib\site-packages\speech_recognition\pocketsphinx-data\ 下，增加一个zh-CN的模型。这个中文模型，如果你按照提示去github

(https://github.com/Uberi/speech_recognition/blob/master/reference/pocketsphinx.rst)

上找，会发现作者把普通话的模型放在谷歌云盘上了，但是别处还是有的： 

https://sourceforge.net/projects/cmusphinx/files/Acoustic%20and%20Language%20Models/Mandarin/

下好之后是不能直接用的，需要改名，把

 文件夹名改成zh_CN

 zh_cn.lm.bin改成language-model.lm.bin

 zh_cn.dic改成pronounciation-dictionary.dict

 子文件夹zh_cn.cd_cont_5000改成acoustic-model 内容不动

改成

总之就是和上一级目录的en-US里的文件格式一样

然后就可以用啦，用法和用google差不多，只是r.recognize_google(audioData, language='en-US')要换成 r.recognize_sphinx(audioData, language='en-US')

Vosk

使用Vosk也是一种线下使用的方法。我个人推荐这个，方便且准确率是不错的。

为了使用vosk, 首先你需要下载vosk的库，直接：

pip install vosk

speechrecognition提供了方便的使用vosk的函数

recognizer_instance.recognize_vosk(audioData)
和上面用sphinx和谷歌类似。但是这样直接运行会报错，缺少vosk的模型，顺着提示，去到

https://alphacephei.com/vosk/models

直接下载需要的就行，一般用有small字样的。  下好的文件解压放在项目同目录下即可，下的什么语言就识别什么语言（其实不太严谨。实际上，recognize_vosk()其实还有一个language参数，但如果填一个en-US然后用中文模型的话也是可以的，按中文识别）

别的

注意，语音识别函数返回的是字符串，但可能不是我们想要的格式，它会返回这样的字符串：

{"text"="你说的内容"}

可能要调整一下，可以写一个函数，比如：

def formulateResult(resu):
    start = resu.index('"', resu.index('"', resu.index('"') + 1) + 1) + 1
    end = resu.index('"', start)
    return resu[start:end]

行

\^o^/