一、前言
最近在做课程设计，想用一下语音识别，于是了解到百度AI 开放平台提供这一功能，且语音识别极速版 API一共可以调用5w次，对我来说完全够用了。最重要的是，可以直接用http 的post 请求进行api 调用，实在是太方便了，那就选择百度吧！
在正式开始之前，大家需要先注册一个百度开发者账号。
二、开始
下面我会介绍两种进行语音识别的方法，分别是调用百度api 和python SDK
Ⅰ 百度api
首先直接看语音识别极速版 API文档说明。
我们可提取以下关键信息点：
- 音频文件需要在60s 内；
- 音频格式支持：pcm（不压缩）、wav（不压缩，pcm编码）、amr（压缩格式）、m4a（压缩格式）；
- 采样率 ：16000 固定值。 编码：16bit 位深的单声道；
- api 调用流程：鉴权认证 -> 确认请求方式 -> 填写参数
（1）鉴权认证
① 获取Access Token
Access Token 是用户身份验证和授权的凭证，语音识别采用的是Client Credentials 授权方式，即采用应用公钥（Api Key）、密钥获取Access Token。
我们进入控制台，选择语音技术，然后在应用管理界面中新建一个应用：
我们这就获得了AppID, API Key, Secret Key
使用Client Credentials 获取Access Token 需要应用在其服务端发送请求（推荐用POST 方法）到百度OAuth2.0授权服务的“ https://openapi.baidu.com/oauth/2.0/token ” 地址上，并带上以下参数：
| grant_type | 必须参数，固定为“client_credentials” |
| client_id | 必须参数，应用的 API Key |
| client_secret | 必须参数，应用的 Secret Key |
例如：
https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=Va5yQRHl********LT0vuXV4&client_secret= 0rDSjzQ20XUj5i********PQSzr5pVw2&
响应数据包如下所示，其中 “access_token” 字段即为请求 REST API 所需的令牌, 默认情况下，Access Token 有效期为一个月，开发者需要对 Access Token 的有效性进行判断，如果Access Token 过期可以重新获取。
例如：
HTTP/1.1 200 OK
Content-Type: application/json
Cache-Control: no-store
{
“access_token”: “1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328”,
“expires_in”: 86400,
“refresh_token”: “2.385d55f8615fdfd9edb7c4b********.604800.1293440400-2346678-124328”,
“scope”: “public audio_voice_assistant_get 。。。”,
“session_key”: “ANXxSNjwQDugf8615OnqeikCdlLxn",
“session_secret”: "248APxvxjCZ0VECaK4oZExMB”,
}
如此，我们便获得了Access Token
（2）确认请求方式
① raw
有两种请求方式，json 方式和raw 方式，因为我使用的是raw 方式，所以json 我就不展开讲解了
由于使用raw 方式， 采样率和文件格式需要填写在Content-Type 中：
Content-Type: audio/pcm;rate=16000
（3）填写参数
raw 格式POST 上传本地文件 语音数据直接放在 HTTP BODY 中，控制参数以及相关统计信息通过 header 和url 里参数传递
① Header 参数说明
| 字段名 | 数据类型 | 可需 | 描述 |
|---|---|---|---|
| format | string | 必填 | 语音格式 |
| rate | int | 必填 | 采样率16k（固定值） |
语音数据的采样率和压缩格式在 HTTP-HEADER 里的Content-Type 表明，例：
Content-Type: audio/pcm;rate=16000
② url 参数说明
| 字段名 | 可需 | 描述 |
|---|---|---|
| cuid | 必填 | 用户唯一标识（推荐填mac 地址，不过我填了我的英文名加数字） |
| token | 必填 | Access Token |
| dev_pid | 选填 | 默认80001 |
| lan | 选填 | 不怎么使用 |
url 示例：
POST https://vop.baidu.com/pro_api?dev_pid=80001&cuid=******&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328
最后完整的raw 请求示例：
curl -i -X POST -H "Content-Type: audio/pcm;rate=16000" "http://vop.baidu.com/pro_api?dev_pid=80001&cuid=xxxxx&token=1.a6b7dbd428f731035f771b8d********.86400.1292922000-2346678-124328" --data-binary "@/home/test/test.pcm"
Ⅱ python SDK
（1）安装python SDK
如果已安装pip，执行
pip install baidu-aip
如果已安装setuptools，执行
python setup.py install
（2）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。
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)
上述APP_ID、API_KEY、SECRET_KEY 的获取在创建应用后即可获得
（3）配置AipSpeech
若大家需要配置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，目前只支持以下参数：
| 接口 | 说明 |
|---|---|
| setConnectionTimeoutInMillis | 建立连接的超时时间（单位：毫秒） |
| setSocketTimeoutInMillis | 通过打开的连接传输数据的超时时间（单位：毫秒） |
（4）语音识别
# 读取文件
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read()
# 识别本地文件，str 就是识别结果
str = client.asr(get_file_content('audio.pcm'), 'pcm', 16000, {
'dev_pid': 1536,
})
print(str)
| 参数 | 类型 | 描述 | 是否必须 |
|---|---|---|---|
| speech | Buffer | 建立包含语音内容的Buffer对象, 语音文件的格式，pcm 或者 wav 或者 amr。不区分大小写 | 是 |
| format | String | 语音文件的格式，pcm 或者 wav 或者 amr。不区分大小写。推荐pcm文件 | 是 |
| rate | int | 采样率，16000，固定值 | 是 |
| cuid | String | 用户唯一标识，用来区分用户，填写机器 MAC 地址或 IMEI 码，长度为60以内 | 否 |
| dev_pid | Int | 不填写lan参数生效，都不填写，默认1537（普通话 输入法模型），dev_pid参数见本节开头的表格 | 否 |
| lan(已废弃) | String | 历史兼容参数，请使用dev_pid。如果dev_pid填写，该参数会被覆盖。语种选择,输入法模型，默认中文（zh）。 中文=zh、粤语=ct、英文=en，不区分大小写 | 否 |
dev_pid 参数列表：
| dev_pid | 语言 | 模型 | 是否有标点 | 备注 |
|---|---|---|---|---|
| 1536 | 普通话(支持简单的英文识别) | 搜索模型 | 无标点 | 支持自定义词库 |
| 1537 | 普通话(纯中文识别) | 输入法模型 | 有标点 | 支持自定义词库 |
| 1737 | 英语 | 无标点 | 不支持自定义词库 | |
| 1637 | 粤语 | 有标点 | 不支持自定义词库 | |
| 1837 | 四川话 | 有标点 | 不支持自定义词库 | |
| 1936 | 普通话远场 | 远场模型 | 有标点 | 不支持 |
语音识别返回数据参数详情：
| 参数 | 类型 | 是否一定输出 | 描述 |
|---|---|---|---|
| err_no | int | 是 | 错误码 |
| err_msg | int | 是 | 错误码描述 |
| sn | int | 是 | 语音数据唯一标识，系统内部产生，用于 debug |
| result | int | 是 | 识别结果数组，提供1-5 个候选结果，string 类型为识别的字符串， utf-8 编码 |
三、踩坑
（1）音频格式
音频格式一定要正确，符合要求，包括采样率、通道数、编码等
对于音频格式转换工具，推荐sox，
sox安装及常用命令
SoX — 音频处理工具里的瑞士军刀
例如将一段.wav 格式音频转化为其要求的格式（16k 采样率、1 通道、16bit 编码）：
sox input.wav -r 16k -c 1 -b 16 output.wav
不过百度推荐的那个ffmpeg 应该也不错，我没有用，大家感兴趣可以尝试尝试
四、结果
百度api
若识别成功：
另外，百度语音识别平台还支持自主训练模型噢~~
若出现请求错误的话，请查阅官方文档：
错误码及常见原因
python SDK
