2024 年最新 Python 基于百度智能云实现短语音识别、语音合成详细教程

百度智能云语音识别

采用国际领先的流式端到端语音语言一体化建模算法，将语音快速准确识别为文字，支持手机应用语音交互、语音内容分析、机器人对话等场景。百度短语音识别可以将 60 秒以下的音频识别为文字。适用于语音对话、语音控制、语音输入等场景。

接口类型：通过 REST API 的方式提供的通用的 HTTP 接口。适用于任意操作系统，任意编程语言
接口限制：需要上传完整的录音文件，录音文件时长不超过 60 秒。浏览器由于无法跨域请求百度语音服务器的域名，因此无法直接调用API接口。
支持音频格式：pcm、wav、amr、m4a
音频编码要求：采样率 16000、8000（仅支持普通话模型），16 bit 位深，单声道（音频格式查看及转换)

在这里插入图片描述

创建新应用

在这里插入图片描述

安装语音识别 Python SDK

SDK 下载安装地址：https://ai.baidu.com/sdk#asr

语音识别 Python SDK目录结构

├── README.md
├── aip                   //SDK目录
│   ├── __init__.py       //导出类
│   ├── base.py           //aip基类
│   ├── http.py           //http请求
│   └── speech.py 		  //语音识别
└── setup.py              //setuptools安装

安装使用 Python SDK

如果已安装 pip，执行 pip install baidu-aip 即可。
如果已安装 setuptools，执行 python setup.py install 即可。

新建 AipSpeech

AipSpeech是语音识别的Python SDK客户端，为使用语音识别的开发人员提供了一系列的交互方法。常量APP_ID在百度云控制台中创建，常量API_KEY与SECRET_KEY是在创建完毕应用后，系统分配给用户的，均为字符串，用于标识用户，为访问做签名验证，可在AI服务控制台中的应用列表中查看。

from aip import AipSpeech

""" 你的 APPID AK SK """
APP_ID = '你的 App ID'
API_KEY = '你的 Api Key'
SECRET_KEY = '你的 Secret Key'

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)

配置 AipSpeech

如果用户需要配置AipSpeech的网络请求参数(一般不需要配置)，可以在构造 AipSpeech 之后调用接口设置参数。

在这里插入图片描述

语音识别 SDK 接口文档

接口描述：向远程服务上传整段语音进行识别

请求说明：举例，要对段保存有一段语音的语音文件进行识别：

def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()

client.asr(get_file_content('audio.pcm'), 'pcm', 16000, {
    'dev_pid': 1537,
})

接口函数说明
在这里插入图片描述
dev_pid 参数列表
在这里插入图片描述

返回数据参数详情

在这里插入图片描述

{
    "err_no": 0,
    "err_msg": "success.",
    "corpus_no": "15984125203285346378",
    "sn": "481D633F-73BA-726F-49EF-8659ACCC2F3D",
    "result": ["北京天气"]
}

详细接口文档：https://ai.baidu.com/ai-doc/SPEECH/0lbxfnc9b

本地语音识别案例

读取本地 pcm 语音文件，识别语音的内容。

from aip import AipSpeech


def get_file_content(filePath):
    """
    读取本地文件
    :param filePath: 
    :return: 
    """
    with open(filePath, 'rb') as fp:
        return fp.read()


def recognize_audio(client: AipSpeech, filePath: str):
    """
    识别本地 pcm 语音文件
    :param client:
    :param filePath:
    :return:
    """
    result = client.asr(get_file_content(filePath), 'pcm', 16000, {
        'dev_pid': 1537,
    })
    return result['result'][0]

主函数源码

import os
import time
from aip import AipSpeech
import dotenv

import baidu_speech_tool

dotenv.load_dotenv(".env")

APP_ID = os.getenv("APP_ID")
API_KEY = os.getenv("API_KEY")
SECRET_KEY = os.getenv("SECRET_KEY")

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)

"""记录开始时间"""
start_time = time.time()

filePath = "2024060302300905.pcm"

result = baidu_speech_tool.recognize_audio(client=client, filePath=filePath)
"""记录结束时间"""
end_time = time.time()

"""计算并打印执行时间"""
execution_time = end_time - start_time
print(f"Execution time: {execution_time: .4f} seconds")

"""识别结果"""
print(result)

百度智能云语音合成

百度短文本在线合成服务，基于HTTP请求的REST API接口，将文本转换为可以播放的音频文件。本文档描述了使用语音合成服务REST API的方法。

接口文档：https://ai.baidu.com/ai-doc/SPEECH/mlbxh7xie

tex 字段 2 次urlencode

由于urlencode有两个标准 RFC 1738和RFC 3986. 百度为了更好地兼容，支持1次及2次urlencode， 其中2次urlencode可以覆盖全部的特殊字符。因而推荐传递tex 参数时做2次urlencode编码。

测试用例：“1+1=2”。 一次urlencode时，“+”可能会没有合成。

POST 调用方式（推荐）

将文本以及其他参数写入到body里面，利用html表单的方式将参数传递到服务端。 所有的参数都在body中。body里面的数据为：

tex=***&lan=zh&cuid=***&ctp=1&aue=3&tok=***

tex 原始参数是"百度你好“

第一次urlencode后 tex=%e7%99%be%e5%ba%a6%e4%bd%a0%e5%a5%bd
第二次urlencode后 tex=%25e7%2599%25be%25e5%25ba%25a6%25e4%25bd%25a0%25e5%25a5%25bd

GET 调用方式

将所有的参数都填写到URL地址中，可以通过浏览器可以播放合成的语音结果。

https://tsn.baidu.com/text2audio?tex=***&lan=zh&cuid=***&ctp=1&tok=***

注意 tex 参数需要按照 url 参数标准使用 url_encode UTF8编码，如合成文字为“百度你好” 。

http://tsn.baidu.com/text2audio?tex=%e7%99%be%e5%ba%a6%e4%bd%a0%e5%a5%bd&lan=zh&cuid=***&ctp=1&tok=***

如果合成成功返回的Content-Type以“audio”开头。

aue =3 ，返回为二进制mp3文件，具体header信息 Content-Type: audio/mp3；
aue =4 ，返回为二进制pcm文件，具体header信息 Content-Type:audio/basic;codec=pcm;rate=16000;channel=1
aue =5 ，返回为二进制pcm文件，具体header信息 Content-Type:audio/basic;codec=pcm;rate=8000;channel=1
aue =6 ，返回为二进制wav文件，具体header信息 Content-Type: audio/wav；

如果合成出现错误，则会返回json文本，具体header信息为：Content-Type: application/json。其中sn字段主要用于DEBUG追查问题，如果出现问题，可以提供sn帮助确认问题。

安装语音合成 Python SDK

SDK 下载安装地址：https://ai.baidu.com/sdk#asr

语音识别 Python SDK目录结构

├── README.md
├── aip                   //SDK目录
│   ├── __init__.py       //导出类
│   ├── base.py           //aip基类
│   ├── http.py           //http请求
│   └── speech.py         //语音合成
└── setup.py              //setuptools安装

安装使用 Python SDK

如果已安装 pip，执行 pip install baidu-aip 即可。
如果已安装 setuptools，执行 python setup.py install 即可。

新建 AipSpeech

AipSpeech是语音识别的Python SDK客户端，为使用语音识别的开发人员提供了一系列的交互方法。常量APP_ID在百度云控制台中创建，常量API_KEY与SECRET_KEY是在创建完毕应用后，系统分配给用户的，均为字符串，用于标识用户，为访问做签名验证，可在AI服务控制台中的应用列表中查看。

from aip import AipSpeech

""" 你的 APPID AK SK """
APP_ID = '你的 App ID'
API_KEY = '你的 Api Key'
SECRET_KEY = '你的 Secret Key'

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)

配置 AipSpeech

如果用户需要配置AipSpeech的网络请求参数(一般不需要配置)，可以在构造 AipSpeech 之后调用接口设置参数。

在这里插入图片描述

语音合成 SDF 接口文档

接口描述：基于该接口，开发者可以轻松的获取语音合成能力

文档地址：https://ai.baidu.com/ai-doc/SPEECH/plbxhh4be

请求说明

合成文本长度必须小于1024字节，如果本文长度较长，可以采用多次请求的方式。文本长度不可超过限制
举例，要把一段文字合成为语音文件：

result  = client.synthesis('你好百度', 'zh', 1, {
    'vol': 5,
})

# 识别正确返回语音二进制 错误则返回dict 参照下面错误码
if not isinstance(result, dict):
    with open('audio.mp3', 'wb') as f:
        f.write(result)

在这里插入图片描述
tex 字段 2 次 urlencode

由于urlencode有两个标准 RFC 1738和RFC 3986. 百度为了更好地兼容，支持1次及2次urlencode， 其中2次urlencode可以覆盖全部的特殊字符。SDK内部加了1次urlencode，因而推荐传递tex 参数时再做1次urlencode编码。

测试用例：“1+1=2”。 依靠 SDK 内的 1 次 urlencode 时，“+”可能会没有合成。

返回样例

// 成功返回二进制文件流
// 失败返回
{
    "err_no":500,
    "err_msg":"notsupport.",
    "sn":"abcdefgh",
    "idx":1
}

语音合成音色

本页面为调用发音人所属音库、发音人名称、调用per参数等信息。语音合成音色：https://ai.baidu.com/ai-doc/SPEECH/Rluv3uq3d

试听：https://ai.baidu.com/tech/speech/tts_online

在这里插入图片描述

本地语音合成案例

API 调用案例

import requests
import os

import dotenv

dotenv.load_dotenv(".env")

APP_ID = os.getenv("APP_ID")
API_KEY = os.getenv("API_KEY")
SECRET_KEY = os.getenv("SECRET_KEY")


def create_audio(text: str, file_name: str):
    url = "https://tsn.baidu.com/text2audio"

    payload = f'tex={text}&tok=' + get_access_token() + '&cuid=naAUL3Evzwj8A79l1kFHvRz1oUWZfOmo&ctp=1&lan=zh&spd=5&pit=5&vol=5&per=0&aue=4'
    headers = {
        'Content-Type': 'application/x-www-form-urlencoded',
        'Accept': '*/*'
    }

    response = requests.request("POST", url, headers=headers, data=payload)
    with open(f"./{file_name}.pcm", 'wb') as f:
        f.write(response.text)
    response = requests.get(url, stream=True, headers=headers, data=payload)
    # 检查请求是否成功
    if response.status_code == 200:
        # 打开文件以二进制写入模式
        with open(f"./{file_name}.pcm", 'wb') as file:
            # 分块读取并写入文件
            for chunk in response.iter_content(1024):
                if chunk:
                    file.write(chunk)
    else:
        print(f"请求失败，状态码：{response.status_code}")

def get_access_token():
    """
    使用 AK，SK 生成鉴权签名（Access Token）
    :return: access_token，或是None(如果错误)
    """
    url = "https://aip.baidubce.com/oauth/2.0/token"
    params = {"grant_type": "client_credentials", "client_id": API_KEY, "client_secret": SECRET_KEY}
    return str(requests.post(url, params=params).json().get("access_token"))


if __name__ == '__main__':
    create_audio("你好", "test")

AipSpeech SDK 版本

import os

import dotenv

dotenv.load_dotenv(".env")
from aip import AipSpeech

APP_ID = os.getenv("APP_ID")
API_KEY = os.getenv("API_KEY")
SECRET_KEY = os.getenv("SECRET_KEY")

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)


def baidu_create_audio(text):
    result = client.synthesis('你好百度', 'zh', 1, {
        'vol': 5,
        'per': 5118
    })

    # 识别正确返回语音二进制 错误则返回 dict 参照下面错误码
    if not isinstance(result, dict):
        with open('audio.pcm', 'wb') as f:
            f.write(result)

baidu_create_audio("你好")

常见调用问题

access_token 错误 API_KEY / SECRET_KEY 错误

    params['access_token'] = authObj['access_token']
                             ~~~~~~~^^^^^^^^^^^^^^^^
KeyError: 'access_token'

Process finished with exit code 1

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/710200.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

金融行业的等保测评要求

金融行业的等保测评要求

在金融行业中，网络安全问题非常普遍，如恶意攻击、病毒感染、数据泄露等。这些问题可能会导致金融机构的信息系统瘫痪，造成巨大的经济损失，甚至影响国家金融稳定。因此，金融机构应该高度重视网络安全问题，采…
阅读更多...
微软的反面：错过了AI时代最大机遇的亚马逊

微软的反面：错过了AI时代最大机遇的亚马逊

内容提要 一度被亚马逊给予厚望的Alexa为何被后来者ChatGPT吊打，错失争霸AI世界的机会？这里面不仅有技术的锅。 文章正文 在AI浪潮席卷全球之际，科技巨头们无不争先恐后，力图抢占先机。然而，就在微软借助ChatGPT一举…
阅读更多...
彻底理解 C 语言的数组在内存中到底是怎么存放的！

彻底理解 C 语言的数组在内存中到底是怎么存放的！

在C语言中，数组是经常被用到的重要数据类型，但在实际使用时，往往有很多工程师会出现各种各样的问题，如内存越界、错误的访问、初始化不当等。这其中有很大一个原因是没有彻底理解数组的存储机制，出现了一些非法地址或者…
阅读更多...
Pytorch解决 多元回归 问题的算法

Pytorch解决 多元回归 问题的算法

Pytorch解决 多元回归 问题的算法 回归是一种基本的统计建模技术，用于建立因变量与一个或多个自变量之间的关系。 我们将使用 PyTorch（一种流行的深度学习框架）来开发和训练线性回归模型。 二元回归的简单示例 训练数据集（可获取&…
阅读更多...
微信群发机器人.使用指南.

微信群发机器人.使用指南.

0.简介 1.介绍 微信群发机器人是用来群发微信消息的工具,通过控制电脑的键盘和鼠标操作微信app来实现群发.支持的消息类型有:文字,图片,视频,文件,小程序,位置等. 群发机器人也可以将微信联系人中的信息保存到电脑csv表格中,以供分析. 因其是通过模拟用户操作鼠标键盘来实现群…
阅读更多...
如何在 Vue 3 中使用 vue3-print-nb 实现灵活的前端打印

如何在 Vue 3 中使用 vue3-print-nb 实现灵活的前端打印

你好，我是小白Coding日志，一个热爱技术的程序员。在这里，我分享自己在编程和技术世界中的学习心得和体会。希望我的文章能够给你带来一些灵感和帮助。欢迎来到我的博客，一起在技术的世界里探索前行吧！ 前言 在前端开…
阅读更多...
go interface

go interface

package mainimport "fmt"// 接口 interface func main() {c : Chinese{} //创建一个中国人实例u : American{} //创建一个美国人实例greet(c) //中国人打招呼greet(u) //美国人打招呼 }// 接收具备SayHello接口能力的变量 func greet(s SayHello) {…
阅读更多...
KOL营销策略：危机公关中的品牌修复与形象重塑

KOL营销策略：危机公关中的品牌修复与形象重塑

在当今数字化时代，品牌声誉的管理和维护愈发重要。危机公关作为品牌管理的重要一环，对于企业的长期生存和发展具有至关重要的影响。而KOL作为具有强大影响力和号召力的个体，在危机公关中扮演着不可或缺的角色。本文Nox聚星将和大家探讨KOL在危…
阅读更多...
yolo案例项目学习记录

yolo案例项目学习记录

box-ocr: 监控摄像头视频流实时计数传送带的货物，并提取货物上面文字或二维码 1.本地环境： 1.1torch、torchvison、torchaudio版本对应关系 PyTorch中torch、torchvision、torchaudio、torchtext版本对应关系_torch2.0.1对应的torchvision-CSDN博客 1…
阅读更多...
Leetcode419. 甲板上的战舰

Leetcode419. 甲板上的战舰

Every day a Leetcode 题目来源：419. 甲板上的战舰 解法1：一次遍历 战舰的个数，等于战舰「头部」的个数。 具体来说，如果位于 (i, j) 的格子是战舰的头部，那么左边和上边的相邻格子不能是 X。 代码： …
阅读更多...
php收银系统源码推荐

php收银系统源码推荐

智慧新零售系统是一套线下线上一体化的收银系统。致力于给零售门店提供『多样化线下收银』、『ERP进销存』、『o2o小程序商城』、『精细化会员管理』、『丰富营销插件』等一体化行业解决方案！ 一、多样化线下收银 1.聚合收款码 ①适用商户：小微门店&am…
阅读更多...
Vue40-vueComponent构造函数

Vue40-vueComponent构造函数

一、组件的本质：VueComponent构造函数 组件的本质是：构造函数 二、每一次调用vue.extend，返回的事一个全新的 VueComponent VueComponent的源码如下： 三、组件中的this 组件中的this是VueComponent实例对象，结构和vm…
阅读更多...
想学编程，什么语言最好上手？

想学编程，什么语言最好上手？

Python是许多初学者的首选，因为它的语法简洁易懂，而且有丰富的资源和社区支持。我这里有一套编程入门教程，不仅包含了详细的视频 讲解，项目实战。如果你渴望学习编程，不妨点个关注，给个评论222，…
阅读更多...
「C系列」C 结构体

「C系列」C 结构体

文章目录 一、C 结构体1. 定义结构体2. 声明结构体变量3. 初始化结构体变量4. 访问结构体成员5. 结构体数组6. 结构体指针7. 结构体嵌套 二、C 如何使用结构体1. 定义结构体类型2. 声明结构体变量3. 初始化结构体变量4. 访问结构体成员5. 结构体指针6. 在函数中使用结构体7. 注…
阅读更多...
utm投影

utm投影

一 概述 UTM (Universal Transverse Mercator)坐标系是由美国军方在1947提出的。虽然我们仍然将其看作与“高斯－克吕格”相似的坐标系统，但实际上UTM采用了网格的分带（或分块）。除在美国本土采用Clarke 1866椭球体以外&#xff0c…
阅读更多...
【仿真建模-anylogic】Port原理解析

【仿真建模-anylogic】Port原理解析

Author：赵志乾 Date：2024-06-14 Declaration：All Right Reserved！！！ 1. 类图 2. 原理解析 2.1 核心函数： Port作为各类型端口的基类，其核心方法如下 ： 函数功能Port(A…
阅读更多...
德国欧洲杯观战掌中宝

德国欧洲杯观战掌中宝

点击标题下「蓝色微信名」可快速关注 今天03:00，德国欧洲杯即将拉开帷幕，首战德国对阵苏格兰，24支欧洲国家队，分为6个小组，你是谁的拥趸？ 本届欧洲杯的比赛时间有三个，分别是零点、凌晨三点和晚…
阅读更多...
利用MongoDB构建现代支付系统｜附《利用AI在支付领域的优势》报告下载

利用MongoDB构建现代支付系统｜附《利用AI在支付领域的优势》报告下载

MongoDB 支付 通过实时整合和分析任何格式的数据 来丰富支付体验 为消费者提供增值服务和功能 丰富的支付体验 接受并丰富任何支付数据类型 使用灵活的文档数据模型实时整合和处理任何支付数据类型。JSON 文档（与 MongoDB 使用的数据格式相同）是支…
阅读更多...
FPGA中复位电路的设计

FPGA中复位电路的设计

复位电路也是数字逻辑设计中常用的电路，不管是 FPGA 还是 ASIC 设计，都会涉及到复位，一般 FPGA或者 ASIC 的复位需要我们自己设计复位方案。复位指的是将寄存器恢复到默认值。一般复位功能包括同步复位和异步复位。复位一般由硬件开关触发引起…
阅读更多...
2024海南省大数据教师培训-Hadoop集群部署

2024海南省大数据教师培训-Hadoop集群部署

前言 本文将详细介绍Hadoop分布式计算框架的来源，架构和应用场景，并附上最详细的集群搭建教程，能更好的帮助各位老师和同学们迅速了解和部署Hadoop框架来进行生产力和学习方面的应用。 一、Hadoop介绍 Hadoop是一个开源的分布式计算框架&…
阅读更多...
最新文章

Copyright @ 2022~2023