前言：

[[439352]]

這篇文章主要介紹了通過Python實現創建語音識別控制系統，能利用語音識別識別說出來的文字，根據文字的內容來控制圖形移動，感興趣的同學可以關注一下

利用語音識別識別說出來的文字，根據文字的內容來控制圖形移動，例如說向上，識別出文字后，畫布上的圖形就會向上移動。本文使用的是百度識別API(因為免費)，自己做的流程圖：

不多說，直接開始程序設計，首先登錄百度云，創建應用

注意這里的API Key和Secret Key，要用自己的才能生效

百度語音識別有對應的文檔，具體調用方法說的很清晰，如果想學習一下可以查看REST API文檔

文檔寫的很詳細，本文只說明用到的方法，語音識別使用方法為組裝URL獲取token，然后處理本地音頻以JSON格式發送到百度語音識別服務器，獲得返回結果。

百度語音識別支持pcm、wav等多種格式，百度服務端會將非pcm格式轉成pcm格式，因此使用wav、amr格式會有額外的轉換耗時。保存為pcm格式可以識別，只是windows自帶播放器識別不了pcm格式的，所以改用wav格式，同時要引用wave庫，功能為可讀、寫wav類型的音頻文件。采樣率使用了pcm采樣率16000固定值，編碼為16bit位深得單聲道。

錄音函數中使用了PyAudio庫，是Python下的一個音頻處理模塊，用于將音頻流輸送到計算機聲卡上。在當前文件夾打開一個新的音頻進行錄音并存放錄音數據。本地錄音：

然后是獲取token，根據創建應用得到的APIKey和SecreKey(這里要使用自己的)來組裝URL獲取token。在語音識別函數中調用獲取的token和已經錄制好的音頻數據，按照要求的格式來寫進JSON參數進行上傳音頻。

百度語音要求對本地語音二進制數據進行base64編碼，使用base64庫來進行編碼。創建識別請求使用的是POST方式來進行提交，在識別函數中寫入百度語音提供的短語音識別請求地址。識別結果會立刻返回，采用JSON格式進行封裝，識別結果放在 JSON 的 “result” 字段中，統一采用 utf-8 方式編碼。

# 組裝url獲取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 
   
   
# 傳入語音二進制數據，token 
# dev_pid為百度語音識別提供的幾種語言選擇，默認1537為有標點普通話 
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'  # 短語音識別請求地址 
    headers = {'Content-Type': 'application/json'} 
    print('正在識別...') 
    r = requests.post(url, json=data, headers=headers) 
    Result = r.json() 
    if 'result' in Result: 
        return Result['result'][0] 
    else: 
        return Result 

最后我們編寫控制移動函數，首先我們要知道如何來把控制圖形移動來呈現出來。本項目中我們使用的是tkinter模塊，Tkinter是一個python模塊，是一個調用Tcl/Tk的接口，它是一個跨平臺的腳本圖形界面接口。是一個比較流行的python圖形編程接口。最大的特點是跨平臺，缺點是性能不太好，執行速度慢。

我們利用tkinter中的canvas來設置一個畫布，并創建一個事件ID為1的矩形，把矩形放在畫布中顯示。在畫布中添加Button按鈕，回調中寫入對應的函數，點擊觸發錄制音頻和語音識別。為了使代碼更加簡潔，我們把移動函數放在語音識別函數中調用，返回識別結果后對結果做出判斷，最后使圖形進行移動。

def move(result): 
    print(result) 
    if "向上" in result: 
        canvas.move(1, 0, -30)  # 移動的是 ID為1的事物【move（2,0,-5）則移動ID為2的事物】，使得橫坐標加0，縱坐標減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("語音識別控制圖形移動") 
Button(tk, text="開始錄音", command=AI.my_record).pack() 
Button(tk, text="開始識別", command=speech2text).pack() 
canvas = Canvas(tk, width=500, height=500)  # 設置畫布 
canvas.pack()  # 顯示畫布 
r = canvas.create_rectangle(180, 180, 220, 220, fill="red")  # 事件ID為1 
mainloop() 

個人習慣，我把語音識別和圖形控制寫在了兩個文件里，這就導致main.py文件中沒有辦法使用AI.py文件函數中的返回值，因為我們使用的tkinter模塊是不斷循壞的，通過mainloop()才能結束循環，這樣不斷循壞就調用不了返回值，使用的方法是在main.py中重新構建一樣函數來調用AI.py文件中的函數，并聲明全局變量，把AI.py文件中的返回值放在main.py文件的全局變量中，這樣就得到了返回值，再將函數寫到Button回調中就實現了對應的功能。

其實代碼寫得十分麻煩，寫在一個文件里會簡單些，我畫了兩個文件的調用關系：

完整demo如下

AI.py

import wave  # 可讀、寫wav類型的音頻文件。 
import requests  # 基于urllib，采⽤Apache2 Licensed開源協議的 HTTP 庫。在本項目中用于傳遞headers和POST請求 
import time 
import base64  # 百度語音要求對本地語音二進制數據進行base64編碼 
from pyaudio import PyAudio, paInt16  # 音頻處理模塊，用于將音頻流輸送到計算機聲卡上 
   
framerate = 16000  # 采樣率 
num_samples = 2000  # 采樣點 
channels = 1  # 聲道 
sampwidth = 2  # 采樣寬度2bytes 
FILEPATH = 'speech.wav' 
   
# 組裝url獲取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() 
   
   
# 錄音 
def my_record(): 
    pa = PyAudio() 
    # 打開一個新的音頻stream 
    stream = pa.open(format=paInt16, channels=channels, 
                     rate=framerate, input=True, frames_per_buffer=num_samples) 
    my_buf = []  # 存放錄音數據 
    t = time.time() 
    print('正在錄音...') 
    while time.time() < t + 5:  # 設置錄音時間（秒） 
        # 循環read，每次read 2000frames 
        string_audio_data = stream.read(num_samples) 
        my_buf.append(string_audio_data) 
    print('錄音結束.') 
    save_wave_file(FILEPATH, my_buf) 
    stream.close() 
   
   
def get_audio(file): 
    with open(file, 'rb') as f: 
        data = f.read() 
    return data 
   
   
# 傳入語音二進制數據，token 
# dev_pid為百度語音識別提供的幾種語言選擇，默認1537為有標點普通話 
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'  # 短語音識別請求地址 
    headers = {'Content-Type': 'application/json'} 
    print('正在識別...') 
    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 *  # 導入tkinter模塊的所有內容 
   
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)  # 移動的是 ID為1的事物【move（2,0,-5）則移動ID為2的事物】，使得橫坐標加0，縱坐標減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("語音識別控制圖形移動") 
Button(tk, text="開始錄音", command=AI.my_record).pack() 
Button(tk, text="開始識別", command=speech2text).pack() 
canvas = Canvas(tk, width=500, height=500)  # 設置畫布 
canvas.pack()  # 顯示畫布 
r = canvas.create_rectangle(180, 180, 220, 220, fill="red")  # 事件ID為1 
mainloop() 

文件關系

錄制的音頻會自動保存在當前文件夾下，就是speech文件

測試結果，運行

點擊開始錄音

點擊開始識別

然后可以看到圖形往右移動

經測試，大吼效果更佳

到此這篇關于基于Python創建語音識別控制系統的文章就介紹到這了!