- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章python调用百度语音识别实现大音频文件语音识别功能由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
本文为大家分享了python实现大音频文件语音识别功能的具体代码,供大家参考,具体内容如下 。
实现思路:先用ffmpeg将其他非wav格式的音频转换为wav格式,并转换音频的声道(百度支持声道为1),采样率(值为8000),格式转换完成后,再用ffmpeg将音频切成百度.
支持的时长(30秒和60秒2种,本程序用的是30秒).
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
|
# coding: utf-8
import
json
import
time
import
base64
from
inc
import
rtysdb
import
urllib2
import
requests
import
os
import
uuid
from
inc
import
db_config
class
BaiduRest:
def
__init__(
self
, cu_id, api_key, api_secert):
self
.token_url
=
"https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=%s&client_secret=%s"
self
.getvoice_url
=
"http://tsn.baidu.com/text2audio?tex=%s&lan=zh&cuid=%s&ctp=1&tok=%s"
self
.upvoice_url
=
'http://vop.baidu.com/server_api'
self
.cu_id
=
cu_id
self
.get_token(api_key, api_secert)
return
def
get_token(
self
, api_key, api_secert):
token_url
=
self
.token_url
%
(api_key, api_secert)
r_str
=
urllib2.urlopen(token_url).read()
token_data
=
json.loads(r_str)
self
.token_str
=
token_data[
'access_token'
]
return
True
# 语音合成
def
text2audio(
self
, text, filename):
get_url
=
self
.getvoice_url
%
(urllib2.quote(text),
self
.cu_id,
self
.token_str)
voice_data
=
urllib2.urlopen(get_url).read()
voice_fp
=
open
(filename,
'wb+'
)
voice_fp.write(voice_data)
voice_fp.close()
return
True
##语音识别
def
audio2text(
self
, filename):
data
=
{}
data[
'format'
]
=
'wav'
data[
'rate'
]
=
8000
data[
'channel'
]
=
1
data[
'cuid'
]
=
self
.cu_id
data[
'token'
]
=
self
.token_str
wav_fp
=
open
(filename,
'rb'
)
voice_data
=
wav_fp.read()
data[
'len'
]
=
len
(voice_data)
# data['speech'] = base64.b64encode(voice_data).decode('utf-8')
data[
'speech'
]
=
base64.b64encode(voice_data).replace(
'\n'
, '')
# post_data = json.dumps(data)
result
=
requests.post(
self
.upvoice_url, json
=
data, headers
=
{
'Content-Type'
:
'application/json'
})
data_result
=
result.json()
if
(data_result[
'err_msg'
]
=
=
'success.'
):
return
data_result[
'result'
][
0
]
else
:
return
False
def
test_voice(voice_file):
api_key
=
"vossGHIgEETS6IMRxBDeahv8"
api_secert
=
"3c1fe6a6312f41fa21fa2c394dad5510"
bdr
=
BaiduRest(
"0-57-7B-9F-1F-A1"
, api_key, api_secert)
# 生成
#start = time.time()
#bdr.text2audio("你好啊", "out.wav")
#using = time.time() - start
#print using
# 识别
#start = time.time()
result
=
bdr.audio2text(voice_file)
# result = bdr.audio2text("weather.pcm")
#using = time.time() - start
return
result
def
get_master_audio(check_status
=
'cut_status'
):
if
check_status
=
=
'cut_status'
:
sql
=
"SELECT id,url, time_long,sharps FROM ocenter_recognition WHERE status=0"
elif
check_status
=
=
'finished_status'
:
sql
=
"SELECT id,url, time_long,sharps FROM ocenter_recognition WHERE finished_status=0"
else
:
return
False
data
=
rtysdb.select_data(sql,
'more'
)
if
data:
return
data
else
:
return
False
def
go_recognize(master_id):
section_path
=
db_config.SYS_PATH
sql
=
"SELECT id,rid,url,status FROM ocenter_section WHERE rid=%d AND status=0 order by id asc limit 10"
%
(master_id)
#print sql
record
=
rtysdb.select_data(sql,
'more'
)
#print record
if
not
record:
return
False
for
rec
in
record:
#print section_path+'/'+rec[1]
voice_file
=
section_path
+
'/'
+
rec[
2
]
if
not
os.path.exists(voice_file):
continue
result
=
test_voice(voice_file)
print
result
exit(
0
)
if
result:
#rtysdb.update_by_pk('ocenter_section',rec[0],{'content':result,'status':1})
sql
=
"update ocenter_section set content='%s', status='%d' where id=%d"
%
(result,
1
,rec[
0
])
#print sql
rtysdb.do_exec_sql(sql)
parent_content
=
rtysdb.select_data(
"SELECT id,content FROM ocenter_recognition WHERE id=%d"
%
(rec[
1
]))
#print parent_content
if
parent_content:
new_content
=
parent_content[
1
]
+
result
update_content_sql
=
"update ocenter_recognition set content='%s' where id=%d"
%
(new_content,rec[
1
])
rtysdb.do_exec_sql(update_content_sql)
else
:
rtysdb.do_exec_sql(
"update ocenter_section set status='%d' where id=%d"
%
(result,
1
,rec[
0
]))
time.sleep(
5
)
else
:
rtysdb.do_exec_sql(
"UPDATE ocenter_recognition SET finished_status=1 WHERE id=%d"
%
(master_id))
#对百度语音识别不了的音频文件进行转换
def
ffmpeg_convert():
section_path
=
db_config.SYS_PATH
#print section_path
used_audio
=
get_master_audio(
'cut_status'
)
#print used_audio
if
used_audio:
for
audio
in
used_audio:
audio_path
=
section_path
+
'/'
+
audio[
1
]
new_audio
=
uuid.uuid1()
command_line
=
"ffmpeg -i "
+
audio_path
+
" -ar 8000 -ac 1 -f wav "
+
section_path
+
"/Uploads/Convert/convert_"
+
str
(new_audio)
+
".wav"
;
#print command_line
os.popen(command_line)
if
os.path.exists(section_path
+
"/Uploads/Convert/convert_"
+
str
(new_audio)
+
".wav"
):
convert_name
=
"Uploads/Convert/convert_"
+
str
(new_audio)
+
".wav"
ffmpeg_cut(convert_name,audio[
3
],audio[
0
])
sql
=
"UPDATE ocenter_recognition SET status=1,convert_name='%s' where id=%d"
%
(convert_name,audio[
0
])
rtysdb.do_exec_sql(sql)
#将大音频文件切成碎片
def
ffmpeg_cut(convert_name,sharps,master_id):
section_path
=
db_config.SYS_PATH
if
sharps>
0
:
for
i
in
range
(
0
,sharps):
timeArray
=
time.localtime(i
*
30
)
h
=
time.strftime(
"%H"
, timeArray)
h
=
int
(h)
-
8
h
=
"0"
+
str
(h)
ms
=
time.strftime(
"%M:%S"
,timeArray)
start_time
=
h
+
':'
+
str
(ms)
cut_name
=
section_path
+
'/'
+
convert_name
db_store_name
=
"Uploads/Section/"
+
str
(uuid.uuid1())
+
'-'
+
str
(i
+
1
)
+
".wav"
section_name
=
section_path
+
"/"
+
db_store_name
command_line
=
"ffmpeg.exe -i "
+
cut_name
+
" -vn -acodec copy -ss "
+
start_time
+
" -t 00:00:30 "
+
section_name
#print command_line
os.popen(command_line)
data
=
{}
data[
'rid'
]
=
master_id
data[
'url'
]
=
db_store_name
data[
'create_time'
]
=
int
(time.time())
data[
'status'
]
=
0
rtysdb.insert_one(
'ocenter_section'
,data)
if
__name__
=
=
"__main__"
:
ffmpeg_convert()
audio
=
get_master_audio(
'finished_status'
)
if
audio:
for
ad
in
audio:
go_recognize(ad[
0
])
|
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我.
原文链接:https://blog.csdn.net/septwolves2015/article/details/78554524 。
最后此篇关于python调用百度语音识别实现大音频文件语音识别功能的文章就讲到这里了,如果你想了解更多关于python调用百度语音识别实现大音频文件语音识别功能的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
我使用的是linux的windows子系统,安装了ubuntu,bash运行流畅。 我正在尝试使用make,似乎bash 无法识别gcc。尝试将其添加到 PATH,但没有任何改变。奇怪的是 - cmd
ImageMagick 已正确安装。 WAMP 的“PHP 扩展”菜单也显示带有勾选的 php_imagick。除了 Apache 和系统环境变量外,phpinfo() 没有显示任何 imagick
我是这么想的,因为上限是 2^n,并且考虑到它们都是有限机,n 状态 NFA 和具有 2^n 或更少状态的 DFA 的交集将是有效。 我错了吗? 最佳答案 你是对的。 2^n 是一个上限,因此生成的
我有一个大型数据集,其中包含每日值,指示一年中的特定一天是否特别热(用 1 或 0 表示)。我的目标是识别 3 个或更多特别炎热的日子的序列,并创建一个包含每个日子的长度以及开始和结束日期的新数据集。
我有一个向量列表,每个向量看起来像这样 c("Japan", "USA", "country", "Japan", "source", "country", "UK", "source", "coun
是否有任何工具或方法可以识别静态定义数组中的缓冲区溢出(即 char[1234] 而不是 malloc(1234))? 昨天我花了大部分时间来追踪崩溃和奇怪的行为,最终证明是由以下行引起的: // e
我一直在尝试通过导入制表符分隔的文件来手动创建 Snakemake 通配符,如下所示: dataset sample species frr PRJNA493818_GSE120639_SRP1628
我一直在尝试通过导入制表符分隔的文件来手动创建 Snakemake 通配符,如下所示: dataset sample species frr PRJNA493818_GSE120639_SRP1628
我想录下某人的声音,然后根据我获得的关于他/她声音的信息,如果那个人再次说话,我就能认出来!问题是我没有关于哪些统计数据(如频率)导致人声差异的信息,如果有人可以帮助我如何识别某人的声音? 在研究过程
我希望我的程序能够识别用户何时按下“enter”并继续循环播放。但是我不知道如何使程序识别“输入”。尝试了两种方法: string enter; string ent = "\n"; dice d1;
我创建了这个带有一个参数(文件名)的 Bash 小脚本,该脚本应该根据文件的扩展名做出响应: #!/bin/bash fileFormat=${1} if [[ ${fileFormat} =~ [F
我正在寻找一种在 for 循环内迭代时识别 subview 对象的方法,我基本上通过执行 cell.contentView.subviews 从 UITableView 的 contentView 获
我正在尝试在 Swift 中使用 CallKit 来识别调用者。 我正在寻找一种通过发出 URL 请求来识别调用者的方法。 例如:+1-234-45-241 给我打电话,我希望它向 mydomain.
我将(相当古老的)插件称为“thickbox”,如下所述: 创建厚盒时,它包含基于查询的内容列表。 使用 JavaScript 或 jQuery,我希望能够访问 type 的值(在上面的示例中 t
我想编写一些可以接受某种输入并将其识别为方波、三角波或某种波形的代码。我还需要一些产生所述波的方法。 我确实有使用 C/C++ 的经验,但是,我不确定我将如何模拟所有这些。最终,我想将其转换为微 Co
我创建了一个 for 循环,用于在每个部分显示 8 个项目,但我试图在循环中识别某些项目。例如,我想识别前两项,然后是第五项和第六项,但我的识别技术似乎是正确的。 for (int i = 0; i
如何识别 UIStoryboard? 该类具有创建和实例化的方法,但我没有看到带有类似name 的@property。例如 获取 Storyboard对象 + storyboardWithName:b
如何确定所运行的SQLServer2005的版本 要确定所运行的SQLServer2005的版本,请使用SQLServerManagementStudio连接到SQLServer2005,然后运行
这个问题在这里已经有了答案: How to check whether an object is a date? (26 个答案) 关闭2 年前。 我正在使用一个 npm 模块,它在错误时抛出一个空
我正在制作一个使用 ActivityRecognition API 在后台跟踪用户 Activity 的应用,如果用户在指定时间段(例如 1 小时)内停留在同一个地方,系统就会推送通知告诉用户去散步.
我是一名优秀的程序员,十分优秀!