基于Python創(chuàng)建語音識別控制系統(tǒng)

更新時間：2021年12月07日 09:30:41 作者：蘭斯洛特.

這篇文章主要介紹了通過Python實現(xiàn)創(chuàng)建語音識別控制系統(tǒng)，能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，感興趣的同學(xué)可以關(guān)注一下

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，例如說向上，識別出文字后，畫布上的圖形就會向上移動。本文使用的是百度識別API（因為免費），自己做的流程圖：

不多說，直接開始程序設(shè)計，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。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下的一個音頻處理模塊，用于將音頻流輸送到計算機聲卡上。在當(dāng)前文件夾打開一個新的音頻進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JSON參數(shù)進行上傳音頻。

百度語音要求對本地語音二進制數(shù)據(jù)進行base64編碼，使用base64庫來進行編碼。創(chuàng)建識別請求使用的是POST方式來進行提交，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函數(shù)，首先我們要知道如何來把控制圖形移動來呈現(xiàn)出來。本項目中我們使用的是tkinter模塊，Tkinter是一個python模塊，是一個調(diào)用Tcl/Tk的接口，它是一個跨平臺的腳本圖形界面接口。是一個比較流行的python圖形編程接口。最大的特點是跨平臺，缺點是性能不太好，執(zhí)行速度慢。

我們利用tkinter中的canvas來設(shè)置一個畫布，并創(chuàng)建一個事件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，最后使圖形進行移動。

def move(result):
    print(result)
    if "向上" in result:
        canvas.move(1, 0, -30)  # 移動的是 ID為1的事物【move（2,0,-5）則移動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")
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()

個人習(xí)慣，我把語音識別和圖形控制寫在了兩個文件里，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，因為我們使用的tkinter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)中就實現(xiàn)了對應(yīng)的功能。

其實代碼寫的十分麻煩，寫在一個文件里會簡單些，我畫了兩個文件的調(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制數(shù)據(jù)進行base64編碼
from pyaudio import PyAudio, paInt16  # 音頻處理模塊，用于將音頻流輸送到計算機聲卡上
 
framerate = 16000  # 采樣率
num_samples = 2000  # 采樣點
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)  # 移動的是 ID為1的事物【move（2,0,-5）則移動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")
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