Python人工智能第一篇：語音合成和語音識別

Python人工智能第一篇：語音合成和語音識別

​ 此篇是人工智能應用的重點,只用現成的技術不作底層算法,也是讓初級程序員快速進入人工智能行業的捷徑。目前市面上主流的AI技術提供公司有不少,好比百度,阿里,騰訊,主作語音的科大訊飛,作只能問答的圖靈機器人等等。這些公司投入了很大一部分財力物力人力將底層封裝,提供應用接口給咱們,尤爲是百度,徹底免費的接口。既然百度這麼仗義,我們就不要浪費掉怎麼好的資源,從百度AI入手,開啓人工智能之旅

開啓人工智能技術的大門 : http://ai.baidu.com/

首先進入控制檯,註冊一個百度的帳號(百度帳號通用)；打開百度語音,進入語音應用管理界面

建立一個新的應用；

建立語音應用App

就能夠建立應用了,回到應用列表咱們能夠看到已建立的應用了

這裏面有三個值 AppID , API Key , Secret Key 記住能夠從這裏面看到 , 在以後的學習中咱們會用到

好了 百度語音的應用已經建立完成了 接下來 我會用Python 代碼做爲實例進行應用及講解

一.安裝百度的人工智能SDK:

首先我們要 pip install baidu-aip 安裝一個百度人工智能開放平臺的Python SDK實在是太方便了,這也是爲何咱們選擇百度人工智能的最大緣由

安裝完成以後就來測試一下:

baidu-aip Python SDK 語音合成技術文檔 : https://ai.baidu.com/docs#/TTS-Online-Python-SDK/top;咱們能夠選擇Python SDK

語音合成

# -*- coding: utf-8 -*-
# @Time    : 2019/9/28 11:01
# @Author  : AnWen
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)

# 詳細參數可看python sdk 文檔
result = client.synthesis('你好百度', 'zh', 1, {
    'vol': 5,   #音量，取值0-15，默認爲5中音量
    'per': 3,   #發音人選擇, 0爲女聲，1爲男聲，3爲情感合成-度逍遙，4爲情感合成-度丫丫，默認爲普通女  
    'spd': 7,   #語速，取值0-15，默認爲5中語速
})

# 識別正確返回語音二進制 錯誤則返回dict 參照下面錯誤碼
if not isinstance(result, dict):
    with open('audio.mp3', 'wb') as f:
        f.write(result)
# 在工程目錄下,就能夠看到 audio.mp3 這個文件了,來聽一聽

語音識別

百度的SDK識別我們的音頻文件,就要想辦法轉變成百度SDK能夠識別的格式PCM，

能夠實現自動化轉換格式而且屢試不爽的工具 : FFmpeg 這個工具的下載地址是 : 連接：https://pan.baidu.com/s/1jonSAa_TG2XuaJEy3iTmHg 密碼：w6hk

FFmpeg 環境變量配置:

首先你要解壓縮,而後找到bin目錄,個人目錄是 C:\ffmpeg\bin

嘗試一下,是否配置成功：cmd 執行：ffmpeg

看到這個界面就算配置成功了,配置成功有什麼用呢, 這個工具能夠將wav wma mp3 等音頻文件轉換爲 pcm 無壓縮音頻文件

而後咱們用命令行對這個 audio.wav 進行pcm格式的轉換而後獲得 audio.pcm

命令是 : ffmpeg -y -i audio.wav -acodec pcm_s16le -f s16le -ac 1 -ar 16000 audio.pcm

百度語音識別SDK的應用:

import os

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)

# 讀取文件
def get_file_content(filePath):
    os.system(f"ffmpeg -y  -i {filePath} -acodec pcm_s16le -f s16le -ac 1 -ar 16000 {filePath}.pcm")
    with open(f"{filePath}.pcm", 'rb') as fp:
        return fp.read()

# 識別本地文件
#asr函數須要四個參數,第四個參數能夠忽略,自有默認值,參照一下這些參數是作什麼的
#第一個參數: speech 音頻文件流 創建包含語音內容的Buffer對象, 語音文件的格式，pcm 或者 wav 或者 amr。(雖然說支持這麼多格式,可是隻有pcm的支持是最好的)
#第二個參數: format 文件的格式,包括pcm（不壓縮）、wav、amr (雖然說支持這麼多格式,可是隻有pcm的支持是最好的)
#第三個參數: rate 音頻文件採樣率 若是使用剛剛的FFmpeg的命令轉換的,你的pcm文件就是16000
#第四個參數: dev_pid 音頻文件語言id 默認1537（普通話 輸入法模型）
res = client.asr(get_file_content('jttqhbc.m4a'), 'pcm', 16000, {
    'dev_pid': 1536,
})
print(res.get("result")[0])

若是err_no不是0的話,就參照一下錯誤碼錶

到此百度AI語音部分的調用就結束了,是否是感受很簡單