百度語音對上傳的語音要求目前必須是單聲道，16K取樣率，取樣深度可以是16位或者8位的PCM編碼。其他編碼輸出的語音識別不出來。

語音的處理技巧：

錄製為MP3的語音（通常取樣率為44100），要分兩步才能正確處理。第一步：使用諸如GoldWave的軟體，先儲存為16K取樣率的MP3；第二步，開啟16K取樣率的MP3，另存為Wav格式，引數選擇PCM，單聲道即可。

另外，也可以使用ffmpeg將MP3處理為PCM。後文的程式即採用這種方法。

由於PCM編碼的語音沒有壓縮，檔案體積與語音長度成正比。百度語音平臺對語音的長度的限制未知。檔案太大，網速不好的時候，容易出現”連線錯誤“的提示。因此，對時間較長的語音，應該將語音分割成多個序列，在分別進行識別。（目前按照等長分割）

以下程式碼，使用前，需要在baidu 開發者上申請相關的API ID, API Key, Secret Key，並以申請的引數代入到檔案中。

# 引入Speech SDK
from aip import AipSpeech
import subprocess
import datetime
import sys
import os
import time
from pydub import AudioSegment
import math

# 定義常量
#APP_ID = '你的 App ID'
APP_ID = '937****'
#API_KEY = '你的 API Key'
API_KEY = 'mOV9QaabNnkur0Aba15T****'
#SECRET_KEY = '你的 Secret Key'
SECRET_KEY = '097111374ad26d4ba00937c5e332****'
# 初始化AipSpeech物件
aipSpeech = AipSpeech(APP_ID, API_KEY, SECRET_KEY)

# 檔案處理
def get_wave_filename(fileFullName):
	# MP3檔案轉換成wav檔案
	# 判斷檔案字尾，是mp3的，直接處理為16k取樣率的wav檔案；
	# 是wav的，判斷檔案的取樣率，不是8k或者16k的，直接處理為16k的取樣率的wav檔案
	# 其他情況，就直接返回AudioSegment直接處理
	fileSufix = fileFullName[fileFullName.rfind('.')+1:]
	print(fileSufix)
	filePath = fileFullName[:fileFullName.find(os.sep)+1]
	print(filePath)
	if fileSufix.lower() == "mp3":
		wavFile = "wav_%s.wav" %datetime.datetime.now().strftime('%Y%m%d%H%M%S')
		wavFile = filePath + wavFile
		cmdLine = "ffmpeg -i \"%s\" -ar 16000 " %fileFullName
		cmdLine = cmdLine + "\"%s\"" %wavFile
		print(cmdLine)
		ret = subprocess.run(cmdLine)
		print("ret code:%i" %ret.returncode)
		return wavFile
		#if ret.returncode == 1:
		#	return wavFile
		#else:
		#	return None
	else:
		return fileFullName


#檔案分片
try:
	script, fileFullName = sys.argv
except:
	print("引數 檔名 未指定!")
	exit()

if not os.path.isfile(fileFullName):
	print("引數 %s 不是一個檔名" %fileFullName)
	exit()

if not os.path.exists(fileFullName):
	print("引數 %s 指定的檔案不存在" %fileFullName)
	exit()

filePath = fileFullName[:fileFullName.find(os.sep)+1]
# 檔案處理為Wav，取樣率16k的檔案，返回檔名
wavFile = get_wave_filename(fileFullName)
print(wavFile)
record = AudioSegment.from_wav(wavFile)
if wavFile != fileFullName:
	time.sleep(1)
	os.remove(wavFile)

recLen = record.duration_seconds
interval = 120 * 1000
maxLoop = math.ceil(recLen*1000/float(interval))
for n in range(0,math.ceil(recLen*1000/float(interval))):
	recSeg = record[n * interval : (n + 1)*interval]
	#print("Segment:%i,startat:%i,length:%i" %n,n*interval/1000,recSeg.duration_seconds)
	print(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S') + " >> Segment:" + str(n) +"/" + str(maxLoop))
	segFile = filePath + "seg%s.wav" %("0"*7 + str(n))[-6:]
	# 把分段的語音資訊儲存為臨時檔案
	file_handle = recSeg.export(segFile,format="wav",codec = "libvorbis")
	file_handle.close()
	# 讀取分段的臨時檔案為位元組
	file_handle = open(segFile, 'rb')
	file_content = file_handle.read()
	file_handle.close()
	# 刪除臨時檔案
	os.remove(segFile)
	# 用百度API處理該語音
	result=aipSpeech.asr(file_content, 'pcm', 16000, {'lan': 'zh'})
	if result['err_no'] == 0:
		print(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S') + " >> " + result['result'][0])
	else:
		print(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S') + " >> " + "err_no:" + str(result['err_no']))