Python人工智慧第一篇：語音合成和語音識別

阿新 • • 發佈：2019-09-28

Python人工智慧第一篇：語音合成和語音識別

此篇是人工智慧應用的重點,只用現成的技術不做底層演算法,也是讓初級程式設計師快速進入人工智慧行業的捷徑。目前市面上主流的AI技術提供公司有很多,比如百度,阿里,騰訊,主做語音的科大訊飛,做只能問答的圖靈機器人等等。這些公司投入了很大一部分財力物力人力將底層封裝,提供應用介面給我們,尤其是百度,完全免費的介面。既然百度這麼仗義,咱們就不要浪費掉怎麼好的資源,從百度AI入手,開啟人工智慧之旅

開啟人工智慧技術的大門 : http://ai.baidu.com/

首先進入控制檯,註冊一個百度的賬號(百度賬號通用)；開啟百度語音,進入語音應用管理介面

建立一個新的應用；

建立語音應用App

就可以建立應用了,回到應用列表我們可以看到已建立的應用了

這裡面有三個值 AppID , API Key , Secret Key 記住可以從這裡面看到 , 在之後的學習中我們會用到

好了百度語音的應用已經建立完成了接下來我會用Python 程式碼作為例項進行應用及講解

一.安裝百度的人工智慧SDK:

首先咱們要 pip install baidu-aip 安裝一個百度人工智慧開放平臺的Python SDK實在是太方便了,這也是為什麼我們選擇百度人工智慧的最大原因

安裝完成之後就來測試一下:

baidu-aip Python SDK 語音合成技術文件 : https://ai.baidu.com/docs#/TTS-Online-Python-SDK/top;我們可以選擇Python SDK

語音合成

# -*- coding: utf-8 -*-
# @Time    : 2019/9/28 11:01
# @Author  : AnWen
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)

# 詳細引數可看python sdk 文件
result = client.synthesis('你好百度', 'zh', 1, {
    'vol': 5,   #音量，取值0-15，預設為5中音量
    'per': 3,   #發音人選擇, 0為女聲，1為男聲，3為情感合成-度逍遙，4為情感合成-度丫丫，預設為普通女  
    'spd': 7,   #語速，取值0-15，預設為5中語速
})

# 識別正確返回語音二進位制 錯誤則返回dict 參照下面錯誤碼
if not isinstance(result, dict):
    with open('audio.mp3', 'wb') as f:
        f.write(result)
# 在工程目錄下,就可以看到 audio.mp3 這個檔案了,來聽一聽

語音識別

百度的SDK識別咱們的音訊檔案,就要想辦法轉變成百度SDK可以識別的格式PCM，

可以實現自動化轉換格式並且屢試不爽的工具 : FFmpeg 這個工具的下載地址是 : 連結：https://pan.baidu.com/s/1jonSAa_TG2XuaJEy3iTmHg 密碼：w6hk

FFmpeg 環境變數配置:

首先你要解壓縮,然後找到bin目錄,我的目錄是 C:\ffmpeg\bin

嘗試一下,是否配置成功：cmd 執行：ffmpeg

看到這個介面就算配置成功了,配置成功有什麼用呢, 這個工具可以將wav wma mp3 等音訊檔案轉換為 pcm 無壓縮音訊檔案

然後我們用命令列對這個 audio.wav 進行pcm格式的轉換然後得到 audio.pcm

命令是 : ffmpeg -y -i audio.wav -acodec pcm_s16le -f s16le -ac 1 -ar 16000 audio.pcm

百度語音識別SDK的應用:

import os

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)

# 讀取檔案
def get_file_content(filePath):
    os.system(f"ffmpeg -y  -i {filePath} -acodec pcm_s16le -f s16le -ac 1 -ar 16000 {filePath}.pcm")
    with open(f"{filePath}.pcm", 'rb') as fp:
        return fp.read()

# 識別本地檔案
#asr函式需要四個引數,第四個引數可以忽略,自有預設值,參照一下這些引數是做什麼的
#第一個引數: speech 音訊檔案流 建立包含語音內容的Buffer物件, 語音檔案的格式，pcm 或者 wav 或者 amr。(雖說支援這麼多格式,但是隻有pcm的支援是最好的)
#第二個引數: format 檔案的格式,包括pcm（不壓縮）、wav、amr (雖說支援這麼多格式,但是隻有pcm的支援是最好的)
#第三個引數: rate 音訊檔案取樣率 如果使用剛剛的FFmpeg的命令轉換的,你的pcm檔案就是16000
#第四個引數: dev_pid 音訊檔案語言id 預設1537（普通話 輸入法模型）
res = client.asr(get_file_content('jttqhbc.m4a'), 'pcm', 16000, {
    'dev_pid': 1536,
})
print(res.get("result")[0])

如果err_no不是0的話,就參照一下錯誤碼錶

到此百度AI語音部分的呼叫就結束了,是不是感覺很簡

Python人工智慧第一篇：語音合成和語音識別