python语音输入转化成文字_利用百度语音识别接口将语音转换成文字教程

importbase64importjsonimportosimporttimeimportshutilimportrequestsclassBaiduVoiceToTxt():#初始化函数

def __init__(self):#定义要进行切割的pcm文件的位置。speech-vad-demo固定好的，没的选

self.pcm_path = ".\\speech-vad-demo\\pcm\\16k_1.pcm"

#定义pcm文件被切割后，分割成的文件输出到的目录。speech-vad-demo固定好的，没的选

self.output_pcm_path = ".\\speech-vad-demo\\output_pcm\\"

#百度AI接口只接受pcm格式，所以需要转换格式

#此函数用于将要识别的mp3文件转换成pcm格式，并输出为.\speech-vad-demo\pcm\16k_1.pcm

defchange_file_format(self,filepath):

file_name=filepath#如果.\speech-vad-demo\pcm\16k_1.pcm文件已存在，则先将其删除

if os.path.isfile(f"{self.pcm_path}"):

os.remove(f"{self.pcm_path}")#调用系统命令，将文件转换成pcm格式，并输出为.\speech-vad-demo\pcm\16k_1.pcm

change_file_format_command = f".\\ffmpeg\\bin\\ffmpeg.exe -y -i {file_name} -acodec pcm_s16le -f s16le -ac 1 -ar 16000 {self.pcm_path}"os.system(change_file_format_command)#百度AI接口最长只接受60秒的音视，所以需要切割

#此函数用于将.\speech-vad-demo\pcm\16k_1.pcm切割

defdevide_video(self):#如果切割输出目录.\speech-vad-demo\output_pcm\已存在，那其中很可能已有文件，先将其清空

#清空目录的文件是先删除，再创建

if os.path.isdir(f"{self.output_pcm_path}"):

shutil.rmtree(f"{self.output_pcm_path}")

time.sleep(1)

os.mkdir(f"{self.output_pcm_path}")#vad-demo.exe使用相对路径.\pcm和.\output_pcm，所以先要将当前工作目录切换到.\speech-vad-demo下不然vad-demo.exe找不到文件

os.chdir(".\\speech-vad-demo\\")#直接执行.\vad-demo.exe，其默认会将.\pcm\16k_1.pcm文件切割并输出到.\output_pcm目录下

devide_video_command = ".\\vad-demo.exe"os.system(devide_video_command)#切换回工作目录

os.chdir("..\\")#此函数用于将.\speech-vad-demo\output_pcm\下的文件的文件名的时间格式化成0:00:00,000形式

defformat_time(self, msecs):#一个小时毫秒数

hour_msecs = 60 * 60 * 1000

#一分钟对应毫秒数

minute_msecs = 60 * 1000

#一秒钟对应毫秒数

second_msecs = 1000

#文件名的时间是毫秒需要先转成秒。+500是为了四舍五入，//是整除

#msecs = (msecs + 500) // 1000

#小时

hour = msecs //hour_msecsif hour < 10:

hour= f"0{hour}"

#扣除小时后剩余毫秒数

hour_left_msecs = msecs %hour_msecs#分钟

minute = hour_left_msecs //minute_msecs#如果不足10分钟那在其前补0凑成两位数格式

if minute < 10:

minute= f"0{minute}"

#扣除分钟后剩余毫秒数

minute_left_msecs = hour_left_msecs %minute_msecs#秒

second = minute_left_msecs //second_msecs#如果秒数不足10秒，一样在其前补0凑足两位数格式

if second < 10:

second= f"0{second}"

#扣除秒后剩余毫秒数

second_left_msecs = minute_left_msecs %second_msecs#如果不足10毫秒或100毫秒，在其前补0凑足三位数格式

if second_left_msecs < 10:

second_left_msecs= f"00{second_left_msecs}"

elif second_left_msecs < 100:

second_left_msecs= f"0{second_left_msecs}"

#格式化成00:00:00,000形式，并返回

time_format = f"{hour}:{minute}:{second},{second_left_msecs}"

returntime_format#此函数用于申请访问ai接口的access_token

defget_access_token(self):#此变量赋值成自己API Key的值

client_id = 'f3wT23Otc8jXlDZ4HGtS4jfT'

#此变量赋值成自己Secret Key的值

client_secret = 'YPPjW3E0VGPUOfZwhjNGVn7LTu3hwssj'auth_url= '/oauth/2.0/token?grant_type=client_credentials&client_id=' + client_id + '&client_secret=' +client_secret

response_at=requests.get(auth_url)#以json格式读取响应结果

json_result =json.loads(response_at.text)#获取access_token

access_token = json_result['access_token']returnaccess_token#此函数用于将.\speech-vad-demo\output_pcm\下的单个文件由语音转成文件

deftransfer_voice_to_srt(self,access_token,filepath):#百度语音识别接口

url_voice_ident = "/server_api"

#接口规范，以json格式post数据

headers ={'Content-Type': 'application/json'}#打开pcm文件并读取文件内容

pcm_obj = open(filepath,'rb')

pcm_content_base64=base64.b64encode(pcm_obj.read())

pcm_obj.close()#获取pcm文件大小

pcm_content_len =os.path.getsize(filepath)#接口规范，则体函义见官方文件，值得注意的是cuid和speech两个参数的写法

post_data ={"format": "pcm","rate": 16000,"dev_pid": 1737,"channel": 1,"token": access_token,"cuid": "1111111111","len": pcm_content_len,"speech": pcm_content_base64.decode(),

}

proxies={'http':"127.0.0.1:8080"}#调用接口，进行音文转换

response = requests.post(url_voice_ident, headers=headers, data=json.dumps(post_data))#response = requests.post(url_voice_ident,headers=headers,data=json.dumps(post_data),proxies=proxies)

returnresponse.textif __name__ == "__main__":#实例化

baidu_voice_to_srt_obj =BaiduVoiceToTxt()#自己要进行音文转换的音视存放的文件夹

video_dir = ".\\video\\"all_video_file=[]

all_file=os.listdir(video_dir)

subtitle_format= "{\\fscx75\\fscy75}"

#只接受.mp3格式文件。因为其他格式没研究怎么转成pcm才是符合接口要求的

for filename inall_file:if ".mp3" infilename:

all_video_file.append(filename)

all_video_file.sort()

i=0

video_file_num=len(all_video_file)print(f"当前共有{video_file_num}个音频文件需要转换，即将进行处理请稍等...")#此层for循环是逐个mp3文件进行处理

for video_file_name inall_video_file:

i+= 1

print(f"当前转换{video_file_name}({i}/{video_file_num})")#将音视翻译成的内容输出到同目录下同名.txt文件中

video_file_srt_path = f".\\video\\{video_file_name[:-4]}.srt"

#以覆盖形式打开.txt文件

video_file_srt_obj = open(video_file_srt_path,'w+')

filepath=os.path.join(video_dir, video_file_name)#调用change_file_format将mp3转成pcm格式

baidu_voice_to_srt_obj.change_file_format(filepath)#将转换成的pcm文件切割成多个小于60秒的pcm文件

baidu_voice_to_srt_obj.devide_video()#获取token

access_token =baidu_voice_to_srt_obj.get_access_token()#获取.\speech-vad-demo\output_pcm\目录下的文件列表

file_dir =baidu_voice_to_srt_obj.output_pcm_path

all_pcm_file=os.listdir(file_dir)

all_pcm_file.sort()

j=0

pcm_file_num=len(all_pcm_file)print(f"当前所转文件{video_file_name}({i}/{video_file_num})被切分成{pcm_file_num}块，即将逐块进行音文转换请稍等...")#此层for是将.\speech-vad-demo\output_pcm\目录下的所有文件逐个进行音文转换

for filename inall_pcm_file:

j+= 1filepath=os.path.join(file_dir, filename)if(os.path.isfile(filepath)):#获取文件名上的时间

time_str = filename[10:-6]

time_str_dict= time_str.split("-")

time_start_str=baidu_voice_to_srt_obj.format_time(int(time_str_dict[0]))

time_end_str= baidu_voice_to_srt_obj.format_time(int(time_str_dict[1]))print(f"当前转换{video_file_name}({i}/{video_file_num})-{time_start_str}-{time_end_str}({j}/{pcm_file_num})")

response_text=baidu_voice_to_srt_obj.transfer_voice_to_srt(access_token, filepath)#以json形式读取返回结果

json_result =json.loads(response_text)#将音文转换结果写入.srt文件

video_file_srt_obj.writelines(f"{j}\r\n")

video_file_srt_obj.writelines(f"{time_start_str} --> {time_end_str}\r\n")if json_result['err_no'] ==0:print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})转换成功：{json_result['result'][0]}")

video_file_srt_obj.writelines(f"{subtitle_format}{json_result['result'][0]}\r\n")elif json_result['err_no'] == 3301:print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})音频质量过差无法识别")

video_file_srt_obj.writelines(f"{subtitle_format}音频质量过差无法识别\r\n")else:print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})转换过程遇到其他错误")

video_file_srt_obj.writelines(f"{subtitle_format}转换过程遇到其他错误\r\n")

video_file_srt_obj.writelines(f"\r\n")

video_file_srt_obj.close()

如果觉得《python语音输入转化成文字_利用百度语音识别接口将语音转换成文字教程》对你有帮助，请点赞、收藏，并留下你的观点哦！