简明介绍
SpeechRecognition是一个用于语音转文本（Speech To Text，STT）的Python库，可以方便地进行语音到文本的转换，实现计算机的语音输入功能。SpeechRecognition支持多种语音识别引擎（在线或离线），可用于任何需要语音识别（Speech Recognition）的应用场景。
- CMU Sphinx (works offline)：卡内基梅隆大学（Carnegie Mellon University，缩写CMU）开发的一系列语音识别系统，其中PocketSphinx是C语言开发的轻量级语音识别引擎
- Google Speech Recognition
- Google Cloud Speech API
- Wit.ai：Facebook开源的一个自然语言处理（NLU）平台，它提供了易于使用的API和工具，帮助开发者快速构建能够理解和回应人类自然语言的聊天机器人
- Microsoft Azure Speech
- Microsoft Bing Voice Recognition (Deprecated)
- Houndify API：SoundHound提供的一个语音AI平台，SoundHound是一家领先的语音人工智能公司
- IBM Speech to Text
- Snowboy Hotword Detection (works offline)：Kitt.ai开发的热词检测引擎，可以利用它来实现语音唤醒功能
- Tensorflow：一个开源软件库，用于各种感知和语言理解任务的机器学习
- Vosk API (works offline)：一个离线开源语音识别工具包
- OpenAI whisper (works offline)：由 OpenAI 开发的通用语音识别模型（ASR）
- Whisper API
Library for performing speech recognition, with support for several engines and APIs, online and offline.
环境安装
$ pip install SpeechRecognition
$ pip install PocketSphinx
$ pip install pyaudio
$ pip install pyttsx3
$ pip install pydub
$ pip install ffmpeg
# 测试语音识别，默认使用Google Speech Recognition在线语音识别引擎
$ python -m speech_recognition
应用示例
#!/usr/bin/env python3
import speech_recognition as sr
import pyttsx3
from pydub import AudioSegment
from pydub.playback import play
def speechRecognitionByFile(fileName, fileFormat, languageType):
# 播放语音文件：Windows下需要将ffmpeg.exe、ffplay.exe、ffprobe.exe复制到当前目录下才能播放flac文件！
sound = AudioSegment.from_file(fileName, format=fileFormat)
play(sound)
# 创建语音识别对象
recognizer = sr.Recognizer()
# 打开语音文件：WAV/AIFF/FLAC
with sr.AudioFile(fileName) as source:
audio = recognizer.record(source)
# 利用CMU Sphinx引擎进行语音识别
try:
text = recognizer.recognize_sphinx(audio, language=languageType)
print(text)
pyttsx3.speak(text)
except sr.UnknownValueError:
print("Sphinx could not understand audio")
except sr.RequestError as e:
print("Sphinx error: {0}".format(e))
def speechRecognitionByMicrophone(languageType):
# 创建语音识别对象
recognizer = sr.Recognizer()
# 打开麦克风获取语音
with sr.Microphone() as source:
print("Say something!")
# 降噪
recognizer.adjust_for_ambient_noise(source)
# 收音
audio = recognizer.listen(source)
# 利用CMU Sphinx引擎进行语音识别
try:
text = recognizer.recognize_sphinx(audio, language=languageType)
print(text)
pyttsx3.speak(text)
except sr.UnknownValueError:
print("Sphinx could not understand audio")
except sr.RequestError as e:
print("Sphinx error: {0}".format(e))
# 语音文件来自https://github.com/Uberi/speech_recognition/tree/master/examples
speechRecognitionByFile("english.wav", "wav", "en-US")
speechRecognitionByFile("chinese.flac", "flac", "zh-CN")
speechRecognitionByMicrophone("zh-CN")
默认情况下，SpeechRecognition的PocketSphinx仅支持英文语音识别，如果需要支持中文语音识别，需要下载中文包。在浏览器中输入sourceforge.net/projects/cm…，点击Mandarin（普通话），选择cmusphinx-zh-cn-5.2.tar.gz进行下载。
在Python安装目录下找到Lib\site-packages\speech_recognition\pocketsphinx-data目录，进入pocketsphinx-data目录，并新建zh-CN目录，解压cmusphinx-zh-cn-5.2.tar.gz到当前目录，将zh_cn.cd_cont_5000目录重命名为acoustic-model，将zh_cn.lm.bin重命名为language-model.lm.bin，将zh_cn.dic重命名为pronounciation-dictionary.dict。
python -c "import speech_recognition as sr, os.path as p; print(p.dirname(sr.__file__))"
参考资料
语音处理工具pzh-speech诞生记（5）- 语音识别实现
Python 库配置问题-"Couldn't find ffmpeg or avconv - defaulting to ffmpeg, but may not work"，原因及解决办法
python——AudioSegment 读取mp3文件报错
《Python应用轻松入门》
《人工智能算法Python案例实战》
