基于Python創(chuàng)建語音識別控制系統(tǒng)
下面附上參考文章，這篇文章是通過識別出來的文字來打開瀏覽器中的默認(rèn)網(wǎng)站。python通過調(diào)用百度api實(shí)現(xiàn)語音識別
題目很簡單，利用語音識別識別說出來的文字，根據(jù)文字的內(nèi)容來控制圖形移動(dòng)，例如說向上，識別出文字后，畫布上的圖形就會向上移動(dòng)。本文使用的是百度識別API（因?yàn)槊赓M(fèi)），自己做的流程圖：
不多說，直接開始程序設(shè)計(jì)，首先登錄百度云，創(chuàng)建應(yīng)用
注意這里的API Key和Secret Key，要用自己的才能生效
百度語音識別有對應(yīng)的文檔，具體調(diào)用方法說的很清晰，如果想學(xué)習(xí)一下可以查看REST API文檔
文檔寫的很詳細(xì)，本文只說明用到的方法，語音識別使用方法為組裝URL獲取token，然后處理本地音頻以JSON格式發(fā)送到百度語音識別服務(wù)器，獲得返回結(jié)果。
百度語音識別支持pcm、wav等多種格式，百度服務(wù)端會將非pcm格式轉(zhuǎn)成pcm格式，因此使用wav、amr格式會有額外的轉(zhuǎn)換耗時(shí)。保存為pcm格式可以識別，只是windows自帶播放器識別不了pcm格式的，所以改用wav格式，同時(shí)要引用wave庫，功能為可讀、寫wav類型的音頻文件。采樣率使用了pcm采樣率16000固定值，編碼為16bit位深的單聲道。
錄音函數(shù)中使用了PyAudio庫，是Python下的一個(gè)音頻處理模塊，用于將音頻流輸送到計(jì)算機(jī)聲卡上。在當(dāng)前文件夾打開一個(gè)新的音頻進(jìn)行錄音并存放錄音數(shù)據(jù)。本地錄音：
def save_wave_file(filepath, data):
wf = wave.open(filepath, 'wb')
wf.setnchannels(channels)
wf.setsampwidth(sampwidth)
wf.setframerate(framerate)
wf.writeframes(b''.join(data))
wf.close()
# 錄音
def my_record():
pa = PyAudio()
# 打開一個(gè)新的音頻stream
stream = pa.open(format=paInt16, channels=channels,
rate=framerate, input=True, frames_per_buffer=num_samples)
my_buf = [] # 存放錄音數(shù)據(jù)
t = time.time()
print('正在錄音...')
while time.time() < t + 5: # 設(shè)置錄音時(shí)間（秒）
# 循環(huán)read，每次read 2000frames
string_audio_data = stream.read(num_samples)
my_buf.append(string_audio_data)
print('錄音結(jié)束.')
save_wave_file(FILEPATH, my_buf)
stream.close()
然后是獲取token，根據(jù)創(chuàng)建應(yīng)用得到的APIKey和SecreKey（這里要使用自己的）來組裝URL獲取token。在語音識別函數(shù)中調(diào)用獲取的token和已經(jīng)錄制好的音頻數(shù)據(jù)，按照要求的格式來寫進(jìn)JSON參數(shù)進(jìn)行上傳音頻。
百度語音要求對本地語音二進(jìn)制數(shù)據(jù)進(jìn)行base64編碼，使用base64庫來進(jìn)行編碼。創(chuàng)建識別請求使用的是POST方式來進(jìn)行提交，在識別函數(shù)中寫入百度語音提供的短語音識別請求地址。識別結(jié)果會立刻返回，采用JSON格式進(jìn)行封裝，識別結(jié)果放在 JSON 的 “result” 字段中，統(tǒng)一采用 utf-8 方式編碼。
# 組裝url獲取token
base_url = "https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=%s&client_secret=%s"
APIKey = "*****************"
SecretKey = "********************"
HOST = base_url % (APIKey, SecretKey)
def getToken(host):
res = requests.post(host)
r = res.json()['access_token']
return r
# 傳入語音二進(jìn)制數(shù)據(jù)，token
# dev_pid為百度語音識別提供的幾種語言選擇，默認(rèn)1537為有標(biāo)點(diǎn)普通話
def speech2text(speech_data, token, dev_pid=1537):
FORMAT = 'wav'
RATE = '16000'
CHANNEL = 1
CUID = '*******'
SPEECH = base64.b64encode(speech_data).decode('utf-8')
data = {
'format': FORMAT,
'rate': RATE,
'channel': CHANNEL,
'cuid': CUID,
'len': len(speech_data),
'speech': SPEECH,
'token': token,
'dev_pid': dev_pid
}
url = 'https://vop.baidu.com/server_api' # 短語音識別請求地址
headers = {'Content-Type': 'application/json'}
print('正在識別...')
r = requests.post(url, json=data, headers=headers)
Result = r.json()
if 'result' in Result:
return Result['result'][0]
else:
return Result
最后我們編寫控制移動(dòng)函數(shù)，首先我們要知道如何來把控制圖形移動(dòng)來呈現(xiàn)出來。本項(xiàng)目中我們使用的是tkinter模塊，Tkinter是一個(gè)python模塊，是一個(gè)調(diào)用Tcl/Tk的接口，它是一個(gè)跨平臺的腳本圖形界面接口。是一個(gè)比較流行的python圖形編程接口。最大的特點(diǎn)是跨平臺，缺點(diǎn)是性能不太好，執(zhí)行速度慢。
我們利用tkinter中的canvas來設(shè)置一個(gè)畫布，并創(chuàng)建一個(gè)事件ID為1的矩形，把矩形放在畫布中顯示。在畫布中添加Button按鈕，回調(diào)中寫入對應(yīng)的函數(shù)，點(diǎn)擊觸發(fā)錄制音頻和語音識別。為了使代碼更加簡潔，我們把移動(dòng)函數(shù)放在語音識別函數(shù)中調(diào)用，返回識別結(jié)果后對結(jié)果做出判斷，最后使圖形進(jìn)行移動(dòng)。
def move(result):
print(result)
if "向上" in result:
canvas.move(1, 0, -30) # 移動(dòng)的是 ID為1的事物【move（2,0,-5）則移動(dòng)ID為2的事物】，使得橫坐標(biāo)加0，縱坐標(biāo)減30
elif "向下" in result:
canvas.move(1, 0, 30)
elif "向左" in result:
canvas.move(1, -30, 0)
elif "向右" in result:
canvas.move(1, 30, 0)
tk = Tk()
tk.title("語音識別控制圖形移動(dòng)")
Button(tk, text="開始錄音", command=AI.my_record).pack()
Button(tk, text="開始識別", command=speech2text).pack()
canvas = Canvas(tk, width=500, height=500) # 設(shè)置畫布
canvas.pack() # 顯示畫布
r = canvas.create_rectangle(180, 180, 220, 220, fill="red") # 事件ID為1
mainloop()
個(gè)人習(xí)慣，我把語音識別和圖形控制寫在了兩個(gè)文件里，這就導(dǎo)致main.py文件中沒有辦法使用AI.py文件函數(shù)中的返回值，因?yàn)槲覀兪褂玫膖kinter模塊是不斷循壞的，通過mainloop（）才能結(jié)束循環(huán)，這樣不斷循壞就調(diào)用不了返回值，使用的方法是在main.py中重新構(gòu)建一樣函數(shù)來調(diào)用AI.py文件中的函數(shù)，并聲明全局變量，把AI.py文件中的返回值放在main.py文件的全局變量中，這樣就得到了返回值，再將函數(shù)寫到Button回調(diào)中就實(shí)現(xiàn)了對應(yīng)的功能。
其實(shí)代碼寫的十分麻煩，寫在一個(gè)文件里會簡單些，我畫了兩個(gè)文件的調(diào)用關(guān)系：
完整demo如下
AI.py
import wave # 可讀、寫wav類型的音頻文件。
import requests # 基于urllib，采?Apache2 Licensed開源協(xié)議的 HTTP 庫。在本項(xiàng)目中用于傳遞headers和POST請求
import time
import base64 # 百度語音要求對本地語音二進(jìn)制數(shù)據(jù)進(jìn)行base64編碼
from pyaudio import PyAudio, paInt16 # 音頻處理模塊，用于將音頻流輸送到計(jì)算機(jī)聲卡上
framerate = 16000 # 采樣率
num_samples = 2000 # 采樣點(diǎn)
channels = 1 # 聲道
sampwidth = 2 # 采樣寬度2bytes
FILEPATH = 'speech.wav'
# 組裝url獲取token
base_url = "https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=%s&client_secret=%s"
APIKey = "8bv3inF5roWBtEXYpZViCs39"
SecretKey = "HLXYiLGCpeOD6ddF1m6BvwcDZVOYtwwD"
HOST = base_url % (APIKey, SecretKey)
def getToken(host):
res = requests.post(host)
r = res.json()['access_token']
return r
def save_wave_file(filepath, data):
wf = wave.open(filepath, 'wb')
wf.setnchannels(channels)
wf.setsampwidth(sampwidth)
wf.setframerate(framerate)
wf.writeframes(b''.join(data))
wf.close()
# 錄音
def my_record():
pa = PyAudio()
# 打開一個(gè)新的音頻stream
stream = pa.open(format=paInt16, channels=channels,
rate=framerate, input=True, frames_per_buffer=num_samples)
my_buf = [] # 存放錄音數(shù)據(jù)
t = time.time()
print('正在錄音...')
while time.time() < t + 5: # 設(shè)置錄音時(shí)間（秒）
# 循環(huán)read，每次read 2000frames
string_audio_data = stream.read(num_samples)
my_buf.append(string_audio_data)
print('錄音結(jié)束.')
save_wave_file(FILEPATH, my_buf)
stream.close()
def get_audio(file):
with open(file, 'rb') as f:
data = f.read()
return data
# 傳入語音二進(jìn)制數(shù)據(jù)，token
# dev_pid為百度語音識別提供的幾種語言選擇，默認(rèn)1537為有標(biāo)點(diǎn)普通話
def speech2text(speech_data, token, dev_pid=1537):
FORMAT = 'wav'
RATE = '16000'
CHANNEL = 1
CUID = '*******'
SPEECH = base64.b64encode(speech_data).decode('utf-8')
data = {
'format': FORMAT,
'rate': RATE,
'channel': CHANNEL,
'cuid': CUID,
'len': len(speech_data),
'speech': SPEECH,
'token': token,
'dev_pid': dev_pid
}
url = 'https://vop.baidu.com/server_api' # 短語音識別請求地址
headers = {'Content-Type': 'application/json'}
print('正在識別...')
r = requests.post(url, json=data, headers=headers)
Result = r.json()
if 'result' in Result:
return Result['result'][0]
else:
return Result
main.py
import AI
from tkinter import * # 導(dǎo)入tkinter模塊的所有內(nèi)容
token = None
speech = None
result = None
def getToken():
temptoken = AI.getToken(AI.HOST)
return temptoken
def speech2text():
global token
if token is None:
token = getToken()
speech = AI.get_audio(AI.FILEPATH)
result = AI.speech2text(speech, token, dev_pid=1537)
print(result)
move(result)
def move(result):
print(result)
if "向上" in result:
canvas.move(1, 0, -30) # 移動(dòng)的是 ID為1的事物【move（2,0,-5）則移動(dòng)ID為2的事物】，使得橫坐標(biāo)加0，縱坐標(biāo)減30
elif "向下" in result:
canvas.move(1, 0, 30)
elif "向左" in result:
canvas.move(1, -30, 0)
elif "向右" in result:
canvas.move(1, 30, 0)
tk = Tk()
tk.title("語音識別控制圖形移動(dòng)")
Button(tk, text="開始錄音", command=AI.my_record).pack()
Button(tk, text="開始識別", command=speech2text).pack()
canvas = Canvas(tk, width=500, height=500) # 設(shè)置畫布
canvas.pack() # 顯示畫布
r = canvas.create_rectangle(180, 180, 220, 220, fill="red") # 事件ID為1
mainloop()
文件關(guān)系
錄制的音頻會自動(dòng)保存在當(dāng)前文件夾下，就是speech文件
測試結(jié)果，運(yùn)行
點(diǎn)擊開始錄音
點(diǎn)擊開始識別
然后可以看到圖形往右移動(dòng)
經(jīng)測試，大吼效果更佳?
到此這篇關(guān)于基于Python創(chuàng)建語音識別控制系統(tǒng)的文章就介紹到這了,更多相關(guān)Python 語音識別控制系統(tǒng)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要介紹了python讀取xml文件方法解析，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-08-08
Python實(shí)現(xiàn)將圖片轉(zhuǎn)換為ASCII字符畫
這篇文章主要介紹了Python實(shí)現(xiàn)將圖片轉(zhuǎn)換為ASCII字符畫，要將圖片轉(zhuǎn)換為字符圖其實(shí)很簡單，我們首先將圖片轉(zhuǎn)換為灰度圖像，這樣圖片的每個(gè)像素點(diǎn)的顏色值都是0到255，然后我們選用一些在文字矩形框內(nèi)占用面積從大到小的ASCII碼字符2022-08-08
Python人工智能學(xué)習(xí)PyTorch實(shí)現(xiàn)WGAN示例詳解
這篇文章主要為大家介紹了人工智能學(xué)習(xí)PyTorch實(shí)現(xiàn)WGAN的示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步2021-11-11
這篇文章主要介紹了Python小波變換去噪,對于去噪效果好壞的評價(jià)，常用信號的信噪比（SNR）與估計(jì)信號同原始信號的均方根誤差（RMSE）來判斷，需要的朋友可以參考下2021-12-12
Python實(shí)戰(zhàn)之利用Geopandas算出每個(gè)省面積
GeoPandas是一個(gè)基于pandas，針對地理數(shù)據(jù)做了特別支持的第三方模塊。本文將利用GeoPandas計(jì)算出每個(gè)省的面積，感興趣的小伙伴快跟隨小編一起學(xué)習(xí)一下吧2021-12-12
基于PyQt5實(shí)現(xiàn)一個(gè)串口接數(shù)據(jù)波形顯示工具
這篇文章主要為大家詳細(xì)介紹了如何利用PyQt5實(shí)現(xiàn)一個(gè)串口接數(shù)據(jù)波形顯示工具，文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以跟隨小編一起了解一下2023-01-01
Python中等待5秒并暫停執(zhí)行的方法總結(jié)
Python 具有各種功能和庫來創(chuàng)建交互式應(yīng)用程序,用戶可以在其中提供輸入和響應(yīng), 我們可以創(chuàng)建需要暫停應(yīng)用程序執(zhí)行的情況,本文主要和大家分享三個(gè)Python 中等待 5 秒并暫停執(zhí)行的方法,有需要的可以參考下2023-10-10
python 統(tǒng)計(jì)代碼耗時(shí)的幾種方法分享
本文實(shí)例講述了Python中統(tǒng)計(jì)代碼片段、函數(shù)運(yùn)行耗時(shí)的幾種方法，分享給大家，僅供參考。2021-04-04
實(shí)例講解Python編程中@property裝飾器的用法
裝飾器中蘊(yùn)含著很多Python的進(jìn)階技巧,@property也不例外,比如文后會講到的快速進(jìn)行代碼重構(gòu)的一個(gè)例子,這里我們就來以實(shí)例講解Python編程中@property裝飾器的用法:2016-06-06
這篇文章主要介紹了Python3.7黑帽編程之病毒篇（基礎(chǔ)篇），文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-02-02