AI语音识别入门指南：从零搭建你的第一个语音转文本应用

1次阅读

没有评论

共计 3553 个字符，预计需要花费 9 分钟才能阅读完成。

语音识别（ASR）是将人类语音转换为文本的技术。在开始之前，我们需要了解几个核心概念：

采样率：指每秒钟对声音信号的采样次数，单位为 Hz。常见的有 8kHz（电话质量）、16kHz（语音识别常用）、44.1kHz（CD 质量）。采样率越高，音频质量越好，但处理负担也越重。
MFCC（梅尔频率倒谱系数）：这是语音识别中最常用的特征提取方法。它模拟人耳对声音的感知特性，将音频信号转换为一组能够代表语音特征的数据。

开发语音识别应用时，我们通常面临两种选择：使用本地模型或云端 API。

本地模型
优点：数据隐私性好，不依赖网络
缺点：需要较强的计算资源，模型训练和优化复杂
适合场景：对隐私要求高，有充足计算资源的项目
云端 API
优点：开箱即用，维护成本低，性能稳定
缺点：依赖网络，可能有使用成本
适合场景：快速原型开发，中小规模应用

对于入门者，我建议先从云端 API 开始，等熟悉了基本流程再尝试本地模型。本文将以 Azure 语音服务为例进行演示。

首先，我们需要安装必要的 Python 库：

pip install azure-cognitiveservices-speech librosa numpy matplotlib

然后，在 Azure 门户中创建语音服务资源，获取订阅密钥和服务区域。

虽然云端 API 会帮我们处理大部分预处理工作，但了解基本原理很有帮助。以下是如何使用 Librosa 加载音频文件并提取 MFCC 特征：

import librosa
import librosa.display
import matplotlib.pyplot as plt

# 加载音频文件
audio_path = 'sample.wav'
y, sr = librosa.load(audio_path, sr=16000)  # 强制采样率为 16kHz

# 提取 MFCC 特征
mfccs = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)

# 可视化
plt.figure(figsize=(10, 4))
librosa.display.specshow(mfccs, x_axis='time')
plt.colorbar()
plt.title('MFCC')
plt.tight_layout()
plt.show()

下面是调用 Azure 语音 API 的完整代码：

import azure.cognitiveservices.speech as speechsdk

# 配置语音服务
speech_key = '你的订阅密钥'
speech_region = '你的服务区域'

def recognize_from_file(file_path):
    # 创建语音配置
    speech_config = speechsdk.SpeechConfig(subscription=speech_key, region=speech_region)
    speech_config.speech_recognition_language = "zh-CN"  # 设置中文识别

    # 创建音频配置
    audio_config = speechsdk.audio.AudioConfig(filename=file_path)

    # 创建识别器
    recognizer = speechsdk.SpeechRecognizer(speech_config=speech_config, audio_config=audio_config)

    # 开始识别
    result = recognizer.recognize_once()

    # 处理结果
    if result.reason == speechsdk.ResultReason.RecognizedSpeech:
        print("识别结果: {}".format(result.text))
    elif result.reason == speechsdk.ResultReason.NoMatch:
        print("无法识别语音: {}".format(result.no_match_details))
    elif result.reason == speechsdk.ResultReason.Canceled:
        cancellation = result.cancellation_details
        print("识别取消: {}".format(cancellation.reason))
        if cancellation.reason == speechsdk.CancellationReason.Error:
            print("错误详情: {}".format(cancellation.error_details))

# 使用示例
recognize_from_file('sample.wav')

云端 API 通常返回 JSON 格式的结果。Azure 语音服务的 recognize_once() 方法已经帮我们处理了 JSON 解析，直接返回结构化结果。如果需要更详细的信息，可以使用 result.properties 获取。

对于实时语音识别，我们需要使用流式处理而不是一次性识别。Azure 提供了 PushAudioInputStream 和PullAudioInputStream来实现这一点。

def recognize_from_stream():
    # 创建输入流
    push_stream = speechsdk.audio.PushAudioInputStream()
    audio_config = speechsdk.audio.AudioConfig(stream=push_stream)

    # 其余配置与之前相同
    speech_config = speechsdk.SpeechConfig(subscription=speech_key, region=speech_region)
    recognizer = speechsdk.SpeechRecognizer(speech_config=speech_config, audio_config=audio_config)

    # 开始异步识别
    recognition_done = threading.Event()
    def stop_cb(evt):
        recognition_done.set()

    recognizer.recognized.connect(lambda evt: print(f'识别结果: {evt.result.text}'))
    recognizer.session_stopped.connect(stop_cb)
    recognizer.start_continuous_recognition()

    # 模拟实时音频输入
    with open('sample.wav', 'rb') as audio_file:
        while True:
            data = audio_file.read(1024)
            if not data:
                break
            push_stream.write(data)
            time.sleep(0.1)

    push_stream.close()
    recognition_done.wait()
    recognizer.stop_continuous_recognition()

在生产环境中，我们需要考虑各种可能的错误情况：