在Python中使用谷歌Cloud Speech API将语音转换为文字(另一种方案)

Keif

对博客平台有些失望,转语雀只当留档用了。

在之前发布的使用谷歌Cloud Speech API将语音转换为文字一文中,我们实现了在控制台使用curl发送post请求,得到语音转文字的结果;而在Python中使用谷歌Cloud Speech API将语音转换为文字一文中,我们实现了安装Cloud Speech API客户端库,通过调用库函数得到语音转文字的结果。

如果你尝试过这两种方法,就会发现其实后者得到结果需要的时间要长一些(笔者使用这两种方法得到结果的耗时分别大约是5秒、7秒)。那么,有没有办法在python中像第一种方法那样,使用curl命令发送post请求呢。当然是可行的,所以今天我们将介绍在Python中使用Cloud Speech API将语音转换为文字的另一种方案,另外这次我们将把音频文件编码为base64嵌入到json请求文件中,省去了上传声音文件到Cloud Storage的步骤。


相关说明之类的在上面两篇文章里已经写了很多,这边就直接贴代码。
*使用python3

import json
import urllib.request
import base64

# ①
api_url = "https://speech.googleapis.com/v1beta1/speech:syncrecognize?key=你的API密钥"
audio_file = open('/home/pi/chat/test-speech/output.wav', 'rb')
audio_b64 = base64.b64encode(audio_file.read())
audio_b64str = audio_b64.decode()    # ②
# print(type(audio_b64))
# print(type(audio_b64str))
audio_file.close()

# ③
voice = {
  "config":
  {
    #"encoding": "WAV",
    "languageCode": "cmn-Hans-CN"
  },

  "audio":
  {
    "content": audio_b64str
  }
}
# 将字典格式的voice编码为utf8
voice = json.dumps(voice).encode('utf8')

req = urllib.request.Request(api_url, data=voice, headers={'content-type': 'application/json'})
response = urllib.request.urlopen(req)
response_str = response.read().decode('utf8')
# ④
# print(response_str)
response_dic = json.loads(response_str)
transcript = response_dic['results'][0]['alternatives'][0]['transcript']
confidence = response_dic['results'][0]['alternatives'][0]['confidence']
print(transcript)
print(confidence)

几点说明:

注释:请求API的链接,请替换你的API密钥 。如果你有疑问,或许可以参考 创建API密钥 | 使用谷歌Cloud Speech API将语音转换为文字
audio_file 路径替换为你的本地声音文件路径。

注释:这次上传音频的方式是,将声音文件编码为base64,把对应的整个字符串放进json请求中。如果你执行 print(type(audio_b64)) 就会发现编码后的audio_b64是 bytes 类型,所以还需要做一次decode(),转成字符串。

注释:先以字典格式保存json请求内容,代表声音文件的字符串就在这里放入。

注释:API返回的结果保存在 response_str ,如果你直接运行 print(response_str) 就会发现这个字符串可以看做一个有很多“层”的字典,要提取出识别结果,需要搞清楚这个字典到底是怎么组成的:

1层:花括号{}说明字符串 response_str 在执行 json.loads 后变成一个"字典"。得到"字典" response_dic

2层:字典中只有一组键-值, response_dic['results'] 取出唯一的键"results"对应的值。观察这个值,发现中括号[],说明这个值的类型是”列表“。

3层:观察列表 response_dic['results'] ,发现列表中只有一项数据,但这项数据又是"字典"类型。将其取出,得到"字典" response_dic['results'][0]

4层:字典中又是只有一组键-值, response_dic['results'][0]['alternatives'] 取出唯一的键"alternatives"对应的值。观察这个值,[]说明我们得到的结果又是一个"列表"。

5层:观察列表 response_dic['results'][0]['alternatives'] ,列表中只有一项数据, response_dic['results'][0]['alternatives'][0] 再将这唯一一项数据取出,发现得到的是一个"字典",而这次得到的字典中有两组键-值,分别取出就是我们要的结果和置信度了。

transcript = response_dic['results'][0]['alternatives'][0]['transcript']
confidence = response_dic['results'][0]['alternatives'][0]['confidence']

小结:

今天介绍的这种方案,获取结果需要的时间比用API客户端库要快一些,另外应用了把本地语音编码后放入json请求的方式,也能方便后期和录音程序结合在一起使用。但稍有一点缺点是API密钥直接暴露在代码中,对实际应用可能会有一些影响。

下一步的目标是和录音功能结合起来,实现自动识别当前录制的语音。

感谢你阅读文章!

阅读 14k

学习笔记
与你分享学习过程中的收获。

这里是个人简介。

129 声望
43 粉丝
0 条评论

这里是个人简介。

129 声望
43 粉丝
文章目录
宣传栏