使用SpeechRecognition和vosk处理ASR

SpeechRecognition可以支持多种模型语音转文字，感觉vosk还不错，使用起来也简单一些；百度也有PaddleSpeech，但是安装起来太麻烦，不是这个库版本不对就是那个库有问题，用起来不方便；

安装SpeechRecognition库：

pip install SpeechRecognition

安装vosk库：

pip install vosk

使用vosk库还需要下载对应的模型，去官网VOSK Models下载：

中文的有3个模型，模型小的运行快，准确度没有大的好，选一个下载完zip解压就行，代码里配置目录和模型，为了方便直接解压到项目目录里了：

另外需要wav语音测试文件，可以自己录音或者去在线免费文字转语音 - TTSMaker官网 | 马克配音制造点wav语音文件；

demo：

#!/usr/bin/env python3
# coding = utf-8
"""
# Project: workspace_py
# File: test_speech_recognition_vosk.py
# Author: FlyLikeButterfly
# Time: 2024/4/15 11:05
"""
import speech_recognition as sr
from vosk import Model

r = sr.Recognizer()
r.vosk_model = Model(model_path='vosk_models/vosk-model-small-cn-0.22', model_name='vosk-model-small-cn-0.22')
# r.vosk_model = Model(model_path='vosk_models/vosk-model-cn-0.22', model_name='vosk-model-cn-0.22')
# r.vosk_model = Model(model_path='vosk_models/vosk-model-cn-kaldi-multicn-0.15', model_name='vosk-model-cn-kaldi-multicn-0.15')
with sr.AudioFile('test_24000_16.wav') as source:
    audio = r.record(source)
result = r.recognize_vosk(audio, language='zh-cn')
print(result)

运行结果：

返回结果是一个string字符串，可以用json转一下：

结果：

注意支持的文件只有3种格式：WAV/AIFF/FLAC，使用其他格式的会报错：

另外SpeechRecognition也可以直接使用麦克风的录音：

with sr.Microphone() as mic:
    audio = r.listen(mic, timeout=3, phrase_time_limit=3)
result = r.recognize_vosk(audio, language='zh-cn')
print(result)

但是这个还需要安装pyaudio模块；

这个SpeechRecognition似乎没有直接提供读取bytes音频数据的接口，不过r.record方法和r.listen方法的返回值都是AudioData类，我们可以直接实例化AudioData给recognize_vosk()方法用，这个类的构造方法解释如下：

第一个参数，可以使用音频的bytes数据，wav和pcm都可以；

第二个参数，是音频的采样率Hz，8000Hz、16000Hz等等；

第三个参数，是采样位宽，单位是字节，16位采样是2个字节，8位采样是1字节，支持1-4；

测试代码块：

with open('test_24000_16.wav', 'rb') as wav_file:
    wav_data = wav_file.read()
wav_source = sr.AudioData(wav_data, 24000, 2)
wav_result = r.recognize_vosk(wav_source, language='zh-cn')
print(wav_result)

with open('test_8000_16.pcm', 'rb') as pcm_file:
    pcm_data = pcm_file.read()
pcm_source = sr.AudioData(pcm_data, 8000, 2)
pcm_result = r.recognize_vosk(pcm_source, language='zh-cn')
print(pcm_result)

运行结果：