使用Google语音识别引擎（Google Speech API）

转自 http://blog.csdn.net/dlangu0393/article/details/7214728

  最近在使用Qt编写一个客户端程序的时候需要增加语音识别输入的功能。起初尝试使用SAPI来完成这个任务，但是发现SAPI不仅使用起来超级复杂，而且识别效果也很惨烈。于是就需要寻找一个更加便捷优秀的方案。

    自从Chrome 11开始，Chrome开始支持HTML5的语音输入API，QQ紧接着也推出了语音识别输入（可以看做跟风么:D)。显然这些识别操作不可能在本地完成，那么我们就有直接利用接口的可能。

    对Chromium的repo进行搜索之后，终于找到了Chromium对语音识别的实现代码：

http://src.chromium.org/viewvc/chrome/trunk/src/content/browser/speech/

    分析过程就算了，直接上成果。

    Chromium先从mic获取音频，然后使用flac或者speex进行编码，直接通过HTTPS POST到服务器。接口地址如下：

    https://www.google.com/speech-api/v1/recognize

    Chromium在请求时还会拼上很多参数：

    xjerr=1&client=chromium&lang=en-US&maxresults=1

    注：参数解释

        xjerr=1    # 不详，猜测为错误的标准

        client=chromium    # 客户端类型，这里是Chromium，猜测Chrome也应该可行，估计是作为统计用的。

        lang=en-US    # 语言类型，这里是英文，中文为zh-CN，其余语言代码参考：http://msdn.microsoft.com/en-us/library/ms533052(v=vs.85).aspx

        maxresults=1    # 最大返回结果数量，多个结果在hypotheses列表中保存。

    参数很明了，这给我们提供了很多便利。我们对参数进行调整，得到如下的接口地址：

    http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1

    

    接下来祭出wget，对已经发现的接口进行测试：

flac.exe -8 -f --sample-rate=16000 speechInput.wav

wget -O "GoogleSpeechAPI.txt" --user-agent="Mozilla/5.0" --post-file=test.flac --header="Content-Type: audio/x-flac; rate=16000" "http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1"

    结果如下：

{
    "status":0,    /* 结果代码，详细见本文结尾 */
    "id":"c421dee91abe31d9b8457f2a80ebca91-1",    /* 识别编号 */
    "hypotheses":    /* 假设，即结果 */
    [
        {
            "utterance":"下午好",    /* 话语 */
            "confidence":0.2507637    /* 信心，即准确度 */
        }
    ]
}

    注：注释后为手工添加的结果解释

    返回结果太明了了！直接就能拿来用了不是~ 返回的编码是UTF-8。

    对于编码格式，在测试中使用了FLAC编码，采样率为16kHz，经测试其他采样率同样可用，但一定要保证Header里的rate与实际数据相符。（关于其他格式的实验请看本文底部。）

    总结：

    1、基本流程：

一、从音频输入设备获取原始数据。

二、对原始数据进行包装、编码。

三、将编码后的音频POST至接口地址。

四、分析处理接口返回的JSON并得出结果。

    2、请求接口

地址：http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1

请求方式：HTTP POST

头部信息：Content-Type: audio/x-flac; rate=16000   （注：Content-Type根据所使用的编码格式不同而不同，详见文章底部。rate为音频采样率。）

请求数据：编码后的音频数据

    3、音频编码格式：

FLAC或WAV或SPEEX

    下面是我写的Qt(C++)中的请求：

void Protocol::Request_SPEECH(QByteArray & audioData)
{
    if (!Nt_SPEECH)
    {
        QNetworkRequest request;
        QString speechAPI = "http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1";
        request.setUrl(speechAPI);

        request.setRawHeader("User-Agent", "Mozilla/5.0");
        request.setRawHeader("Content-Type", "audio/x-flac; rate=16000");

        Nt_SPEECH = NetworkMGR.post(request, audioData);
        connect(Nt_SPEECH, SIGNAL(readyRead()), this, SLOT(Read_SPEECH()));
    }
}

    至于读取函数，就不贴在这里了，具体见：

Protocol: http://pastebin.com/6G6wggfF

AudioInput:

    speechInput.h: http://pastebin.com/qdMPeWZD

    speechInput.cpp: http://pastebin.com/567B47qF

main:

    mainwidget: http://pastebin.com/c8bk7zd2

    在翻阅Chromium源码的过程之中，还发现了其他有用的东西：

Speech Input API Specification http://www.w3.org/2005/Incubator/htmlspeech/2010/10/google-api-draft.html

    到目前为止，Google好像还没有公开这个API，使用许可依旧不详，请求也没有用到任何认证。但它确实能用，而且十分方便，对于编写非商业程序的人来说，这个东西真的是再好不过了（因为它有着高的爆表的识别率）。

参考：

Chromium Repository    http://src.chromium.org/viewvc/chrome/trunk/src/content/browser/speech/

Accessing Google Speech API / Chrome 11    http://mikepultz.com/2011/03/accessing-google-speech-api-chrome-11/

附：

1、SpeechInputError interface 错误信息

// This enumeration follows the values described here:
// http://www.w3.org/2005/Incubator/htmlspeech/2010/10/google-api-draft.html#speech-input-error
enum SpeechInputError {
  // There was no error.
  SPEECH_INPUT_ERROR_NONE = 0,
  // The user or a script aborted speech input.
  SPEECH_INPUT_ERROR_ABORTED,
  // There was an error with recording audio.
  SPEECH_INPUT_ERROR_AUDIO,
  // There was a network error.
  SPEECH_INPUT_ERROR_NETWORK,
  // No speech heard before timeout.
  SPEECH_INPUT_ERROR_NO_SPEECH,
  // Speech was heard, but could not be interpreted.
  SPEECH_INPUT_ERROR_NO_MATCH,
  // There was an error in the speech recognition grammar.
  SPEECH_INPUT_ERROR_BAD_GRAMMAR,
};

2、多种音频格式的测试

    收到朋友的邮件说使用flac实在是很不方便，问我有没有更好的解决方法，于是我尝试将其他编码格式应用于Google Speech API。以下为结果：

    1、WAV格式

    请求Header：Content-Type: audio/L16; rate=16000

    返回结果：识别成功

    2、MP3格式

    请求Header：Content-Type: audio/mpeg; rate=16000

    返回结果：无法识别的编码

    请求Header：Content-Type: audio/mpeg3; rate=16000

    返回结果：无法识别的编码

    请求Header：Content-Type: audio/x-mpeg; rate=16000

    返回结果：无法识别的编码

    请求Header：Content-Type: audio/x-mpeg-3; rate=16000

    返回结果：无法识别的编码

    请求Header：Content-Type: audio/mp3; rate=16000

    返回结果：无法识别的编码

    3、PCM格式

    请求Header：Content-Type: audio/x-ogg-pcm; rate=16000

    返回结果：无法识别的编码

    请求Header：Content-Type: audio/pcm; rate=16000

    返回结果：无法识别的编码

    4、SPEEX格式

    请求Header：Content-Type: audio/x-speex-with-header-byte; rate=16000

    返回结果：识别成功

    请求Header：Content-Type: audio/speex; rate=16000

    返回结果：识别成功

    由于识别接口并不开放，所以无法得知具体的支持格式，如果哪位朋友发现了新的支持格式，请一定要留言哦！