基于Python创建语音识别控制系统

下面附上参考文章，这篇文章是通过识别出来的文字来打开浏览器中的默认网站。python通过调用百度api实现语音识别

题目很简单，利用语音识别识别说出来的文字，根据文字的内容来控制图形移动，例如说向上，识别出文字后，画布上的图形就会向上移动。本文使用的是百度识别API（因为免费），自己做的流程图：

不多说，直接开始程序设计，首先登录百度云，创建应用

注意这里的API Key和Secret Key，要用自己的才能生效

百度语音识别有对应的文档，具体调用方法说的很清晰，如果想学习一下可以查看REST API文档

文档写的很详细，本文只说明用到的方法，语音识别使用方法为组装URL获取token，然后处理本地音频以JSON格式发送到百度语音识别服务器，获得返回结果。

百度语音识别支持pcm、wav等多种格式，百度服务端会将非pcm格式转成pcm格式，因此使用wav、amr格式会有额外的转换耗时。保存为pcm格式可以识别，只是windows自带播放器识别不了pcm格式的，所以改用wav格式，同时要引用wave库，功能为可读、写wav类型的音频文件。采样率使用了pcm采样率16000固定值，编码为16bit位深的单声道。

录音函数中使用了PyAudio库，是Python下的一个音频处理模块，用于将音频流输送到计算机声卡上。在当前文件夹打开一个新的音频进行录音并存放录音数据。本地录音：

def save_wave_file(filepath, data):
   wf = wave.open(filepath, 'wb')
   wf.setnchannels(channels)
   wf.setsampwidth(sampwidth)
   wf.setframerate(framerate)
   wf.writeframes(b''.join(data))
   wf.close()

# 录音
def my_record():
   pa = PyAudio()
   # 打开一个新的音频stream
   stream = pa.open(format=paInt16, channels=channels,
                    rate=framerate, input=True, frames_per_buffer=num_samples)
   my_buf = []  # 存放录音数据
   t = time.time()
   print('正在录音...')
   while time.time() < t + 5:  # 设置录音时间（秒）
       # 循环read，每次read 2000frames
       string_audio_data = stream.read(num_samples)
       my_buf.append(string_audio_data)
   print('录音结束.')
   save_wave_file(FILEPATH, my_buf)
   stream.close()

然后是获取token，根据创建应用得到的APIKey和SecreKey（这里要使用自己的）来组装URL获取token。在语音识别函数中调用获取的token和已经录制好的音频数据，按照要求的格式来写进JSON参数进行上传音频。

百度语音要求对本地语音二进制数据进行base64编码，使用base64库来进行编码。创建识别请求使用的是POST方式来进行提交，在识别函数中写入百度语音提供的短语音识别请求地址。识别结果会立刻返回，采用JSON格式进行封装，识别结果放在 JSON 的 “result” 字段中，统一采用 utf-8 方式编码。

# 组装url获取token
base_url = "https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=％s&client_secret=％s"
APIKey = "*****************"
SecretKey = "********************"
HOST = base_url ％ (APIKey, SecretKey)

def getToken(host):
   res = requests.post(host)
   r = res.json()['access_token']
   return r

# 传入语音二进制数据，token
# dev_pid为百度语音识别提供的几种语言选择，默认1537为有标点普通话
def speech2text(speech_data, token, dev_pid=1537):
   FORMAT = 'wav'
   RATE = '16000'
   CHANNEL = 1
   CUID = '*******'
   SPEECH = base64.b64encode(speech_data).decode('utf-8')
   data = {
       'format': FORMAT,
       'rate': RATE,
       'channel': CHANNEL,
       'cuid': CUID,
       'len': len(speech_data),
       'speech': SPEECH,
       'token': token,
       'dev_pid': dev_pid
   }
   url = 'https://vop.baidu.com/server_api'  # 短语音识别请求地址
   headers = {'Content-Type': 'application/json'}
   print('正在识别...')
   r = requests.post(url, json=data, headers=headers)
   Result = r.json()
   if 'result' in Result:
       return Result['result'][0]
   else:
       return Result

最后我们编写控制移动函数，首先我们要知道如何来把控制图形移动来呈现出来。本项目中我们使用的是tkinter模块，Tkinter是一个python模块，是一个调用Tcl/Tk的接口，它是一个跨平台的脚本图形界面接口。是一个比较流行的python图形编程接口。最大的特点是跨平台，缺点是性能不太好，执行速度慢。

我们利用tkinter中的canvas来设置一个画布，并创建一个事件ID为1的矩形，把矩形放在画布中显示。在画布中添加Button按钮，回调中写入对应的函数，点击触发录制音频和语音识别。为了使代码更加简洁，我们把移动函数放在语音识别函数中调用，返回识别结果后对结果做出判断，最后使图形进行移动。

def move(result):
   print(result)
   if "向上" in result:
       canvas.move(1, 0, -30)  # 移动的是 ID为1的事物【move（2,0,-5）则移动ID为2的事物】，使得横坐标加0，纵坐标减30
   elif "向下" in result:
       canvas.move(1, 0, 30)
   elif "向左" in result:
       canvas.move(1, -30, 0)
   elif "向右" in result:
       canvas.move(1, 30, 0)

tk = Tk()
tk.title("语音识别控制图形移动")
Button(tk, text="开始录音", command=AI.my_record).pack()
Button(tk, text="开始识别", command=speech2text).pack()
canvas = Canvas(tk, width=500, height=500)  # 设置画布
canvas.pack()  # 显示画布
r = canvas.create_rectangle(180, 180, 220, 220, fill="red")  # 事件ID为1
mainloop()

个人习惯，我把语音识别和图形控制写在了两个文件里，这就导致main.py文件中没有办法使用AI.py文件函数中的返回值，因为我们使用的tkinter模块是不断循坏的，通过mainloop（）才能结束循环，这样不断循坏就调用不了返回值，使用的方法是在main.py中重新构建一样函数来调用AI.py文件中的函数，并声明全局变量，把AI.py文件中的返回值放在main.py文件的全局变量中，这样就得到了返回值，再将函数写到Button回调中就实现了对应的功能。

其实代码写的十分麻烦，写在一个文件里会简单些，我画了两个文件的调用关系：

完整demo如下

AI.py

import wave  # 可读、写wav类型的音频文件。
import requests  # 基于urllib，采⽤Apache2 Licensed开源协议的 HTTP 库。在本项目中用于传递headers和POST请求
import time
import base64  # 百度语音要求对本地语音二进制数据进行base64编码
from pyaudio import PyAudio, paInt16  # 音频处理模块，用于将音频流输送到计算机声卡上

framerate = 16000  # 采样率
num_samples = 2000  # 采样点
channels = 1  # 声道
sampwidth = 2  # 采样宽度2bytes
FILEPATH = 'speech.wav'

# 组装url获取token
base_url = "https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=％s&client_secret=％s"
APIKey = "8bv3inF5roWBtEXYpZViCs39"
SecretKey = "HLXYiLGCpeOD6ddF1m6BvwcDZVOYtwwD"
HOST = base_url ％ (APIKey, SecretKey)

def getToken(host):
   res = requests.post(host)
   r = res.json()['access_token']
   return r

def save_wave_file(filepath, data):
   wf = wave.open(filepath, 'wb')
   wf.setnchannels(channels)
   wf.setsampwidth(sampwidth)
   wf.setframerate(framerate)
   wf.writeframes(b''.join(data))
   wf.close()

# 录音
def my_record():
   pa = PyAudio()
   # 打开一个新的音频stream
   stream = pa.open(format=paInt16, channels=channels,
                    rate=framerate, input=True, frames_per_buffer=num_samples)
   my_buf = []  # 存放录音数据
   t = time.time()
   print('正在录音...')
   while time.time() < t + 5:  # 设置录音时间（秒）
       # 循环read，每次read 2000frames
       string_audio_data = stream.read(num_samples)
       my_buf.append(string_audio_data)
   print('录音结束.')
   save_wave_file(FILEPATH, my_buf)
   stream.close()

def get_audio(file):
   with open(file, 'rb') as f:
       data = f.read()
   return data

# 传入语音二进制数据，token
# dev_pid为百度语音识别提供的几种语言选择，默认1537为有标点普通话
def speech2text(speech_data, token, dev_pid=1537):
   FORMAT = 'wav'
   RATE = '16000'
   CHANNEL = 1
   CUID = '*******'
   SPEECH = base64.b64encode(speech_data).decode('utf-8')
   data = {
       'format': FORMAT,
       'rate': RATE,
       'channel': CHANNEL,
       'cuid': CUID,
       'len': len(speech_data),
       'speech': SPEECH,
       'token': token,
       'dev_pid': dev_pid
   }
   url = 'https://vop.baidu.com/server_api'  # 短语音识别请求地址
   headers = {'Content-Type': 'application/json'}
   print('正在识别...')
   r = requests.post(url, json=data, headers=headers)
   Result = r.json()
   if 'result' in Result:
       return Result['result'][0]
   else:
       return Result

main.py

import AI
from tkinter import *  # 导入tkinter模块的所有内容

token = None
speech = None
result = None

def getToken():
   temptoken = AI.getToken(AI.HOST)
   return temptoken

def speech2text():
   global token
   if token is None:
       token = getToken()
   speech = AI.get_audio(AI.FILEPATH)
   result = AI.speech2text(speech, token, dev_pid=1537)
   print(result)
   move(result)

def move(result):
   print(result)
   if "向上" in result:
       canvas.move(1, 0, -30)  # 移动的是 ID为1的事物【move（2,0,-5）则移动ID为2的事物】，使得横坐标加0，纵坐标减30
   elif "向下" in result:
       canvas.move(1, 0, 30)
   elif "向左" in result:
       canvas.move(1, -30, 0)
   elif "向右" in result:
       canvas.move(1, 30, 0)

tk = Tk()
tk.title("语音识别控制图形移动")
Button(tk, text="开始录音", command=AI.my_record).pack()
Button(tk, text="开始识别", command=speech2text).pack()
canvas = Canvas(tk, width=500, height=500)  # 设置画布
canvas.pack()  # 显示画布
r = canvas.create_rectangle(180, 180, 220, 220, fill="red")  # 事件ID为1
mainloop()

文件关系

录制的音频会自动保存在当前文件夹下，就是speech文件

测试结果，运行

点击开始录音

点击开始识别

然后可以看到图形往右移动

经测试，大吼效果更佳 

来源：https://blog.csdn.net/weixin_45973679/article/details/121709190