你能順利在Python應(yīng)用程序中實(shí)現(xiàn)語(yǔ)音識(shí)別嗎？閱讀本教程，了解使用開(kāi)源Python庫(kù)實(shí)現(xiàn)語(yǔ)音識(shí)別的簡(jiǎn)單方法。

你是否曾經(jīng)想嘗試一個(gè)語(yǔ)音識(shí)別項(xiàng)目，但發(fā)現(xiàn)它太嚇人了?

我們來(lái)創(chuàng)建一些更復(fù)雜的東西，比如完整的音頻聊天機(jī)器人或者語(yǔ)音助手，怎么樣？

組合這類(lèi)項(xiàng)目的框架代碼實(shí)際上非常簡(jiǎn)單，這歸功于那些我們可以依賴的開(kāi)源庫(kù)。結(jié)合這一點(diǎn)，讓我們看看如何開(kāi)始用Python創(chuàng)建一個(gè)基本的玩具語(yǔ)音識(shí)別應(yīng)用程序。一旦我們掌握了基礎(chǔ)知識(shí)，就可以更深入的使用它了。

丑話說(shuō)在先，我們的Python玩具應(yīng)用程序沒(méi)有實(shí)際作用，但它會(huì)向我們介紹一些概念，這些概念對(duì)以后構(gòu)建更復(fù)雜的事物非常有用。在某種程度上來(lái)說(shuō)，如果我們正確地構(gòu)建這個(gè)玩具，修改它來(lái)做更復(fù)雜的事情將會(huì)相對(duì)容易。

我們的應(yīng)用程序在完成后能執(zhí)行的操作：它會(huì)聽(tīng)我們說(shuō)什么，然后鸚鵡學(xué)舌地把它傳回給我們，僅此而已。這件事的意義是，我們將學(xué)會(huì)在應(yīng)用程序中構(gòu)建語(yǔ)音識(shí)別和音頻回放。

導(dǎo)入需要的庫(kù)

首先，導(dǎo)入幾個(gè)我們需要的庫(kù)（來(lái)自開(kāi)源庫(kù)）：

注釋：

• speech_recognitionSpeechRecognition · PyPI——用于執(zhí)行語(yǔ)音識(shí)別的庫(kù)，支持在線和離線的多個(gè)引擎和API。

• pydub jiaaro/pydub @ GitHub——使用簡(jiǎn)單易用的高級(jí)接口操縱音頻。

• gTTSgTTS · PyPI ——用來(lái)連接谷歌翻譯文本-語(yǔ)音API的Python庫(kù)和CLI工具。

識(shí)別語(yǔ)音

接下來(lái)要做的事情——可能是語(yǔ)音識(shí)別應(yīng)用程序最重要的事情，就是識(shí)別語(yǔ)音。

為此，我們首先需要從麥克風(fēng)捕獲傳入的音頻，然后執(zhí)行語(yǔ)音識(shí)別。這都是通過(guò)speech recognition庫(kù)來(lái)處理的。

這是捕捉語(yǔ)音的功能：

def capture(): '''Capture audio''' rec = sr.Recognizer() with sr.Microphone() as source: print('I\'M LISTENING...') audio = rec.listen(source, phrase_time_limit=5) try: text = rec.recognize_google(audio, language='en-US') return text except: speak('Sorry, I could not understand what you said.') return 0

就這樣，語(yǔ)音捕獲和識(shí)別，還覺(jué)得很可怕嗎?

注意，一旦這個(gè)應(yīng)用程序開(kāi)始運(yùn)行，它將以5秒的間隔進(jìn)行監(jiān)聽(tīng)，并逐個(gè)處理這5秒間隔。實(shí)用嗎？不，一點(diǎn)也不。如果我們需要做一些更復(fù)雜的事情，可以把它進(jìn)行調(diào)整，也許是聽(tīng)一個(gè)激活關(guān)鍵字，或者聽(tīng)我們說(shuō)話的整個(gè)過(guò)程，不管長(zhǎng)度等等。這僅僅是一個(gè)非常簡(jiǎn)單的開(kāi)始。

回放語(yǔ)音

那么，我們捕捉到語(yǔ)音之后會(huì)做什么呢？我們需要處理它，具體該怎么做呢？

我們正在構(gòu)建的應(yīng)用程序?qū)⒃诤艽蟪潭壬蠜Q定“process it”的含義。這次我們的處理將或多或少是一個(gè)占位符函數(shù)，以便將來(lái)做其他事情。目前我們的玩具應(yīng)用程序?qū)⑻幚聿蹲降恼Z(yǔ)音，并將其自動(dòng)回放給我們（輸出到控制臺(tái)）。

這是我們處理的一個(gè)簡(jiǎn)單函數(shù)：

讓?xiě)?yīng)用程序說(shuō)話

我們還想讓這個(gè)應(yīng)用程序說(shuō)話，讓我們編寫(xiě)一個(gè)函數(shù)，它使用谷歌文本-語(yǔ)音引擎來(lái)實(shí)現(xiàn)這個(gè)功能。

def speak(text): '''Say something''' # Write output to console print(text) # Save audio file speech = tts(text=text, lang='en') speech_file = 'input.mp3' speech.save(speech_file) # Play audio file sound = AudioSegment.from_mp3(speech_file) play(sound) os.remove(speech_file)

首先，我們將傳遞給函數(shù)的內(nèi)容打印到控制臺(tái)；然后使用谷歌文本-語(yǔ)音的轉(zhuǎn)換，從文本中創(chuàng)建一個(gè)音頻文件；再將音頻文件保存到磁盤(pán)；最后使用pydub庫(kù)重新打開(kāi)并播放文件。

這是最難處理的事情?，F(xiàn)在我們只需要幾行代碼來(lái)驅(qū)動(dòng)這個(gè)過(guò)程。

speak()和capture()函數(shù)都用于在提示時(shí)獲取用戶名，然后向他們打招呼。之后進(jìn)入一個(gè)while循環(huán)，在捕獲語(yǔ)音輸入和執(zhí)行一些非?；镜臋z查之間的循環(huán)，以確保捕獲了一些內(nèi)容，并且用戶沒(méi)有說(shuō)“退出”來(lái)退出。捕獲的文本被傳遞給process_text()函數(shù)，該函數(shù)響應(yīng)剛才所說(shuō)的內(nèi)容，然后無(wú)限重復(fù)。

再一次申明：這里沒(méi)有什么復(fù)雜的東西。

將上述所有代碼保存到 voice_recognition_test.py 文件中。

現(xiàn)在來(lái)看看我們與極簡(jiǎn)語(yǔ)音識(shí)別應(yīng)用程序的對(duì)話。用上面的代碼運(yùn)行它，查看結(jié)果如下(當(dāng)然，同時(shí)想象我正在說(shuō)話，并讓別人重復(fù)我的話)：

$ python voice_recognition_test.py

What is your name?

I'M LISTENING...

Hello, Matthew.

What do you have to say?

I'M LISTENING...

Matthew, you said: 'where are you from'.

What do you have to say?

I'M LISTENING...

Matthew, you said: 'i'd like some pizza'.

What do you have to say?

I'M LISTENING...

Matthew, you said: 'what is the meaning of life'.

What do you have to say?

I'M LISTENING...

OK, bye, Matthew.

Process finished with exit code 0

很酷！如果它真的能做點(diǎn)什么，那就更酷了。那么讓我們把注意力轉(zhuǎn)向下一次。

下一次，讓我們輕松應(yīng)對(duì)一些更復(fù)雜的內(nèi)容，比如將spaCy集成到代碼中，并嘗試一些簡(jiǎn)單的NLP任務(wù)，比如口語(yǔ)句子分類(lèi)、情感分析和命名實(shí)體識(shí)別。

再下一次，我們可以看看一些更實(shí)用的功能，比如制作個(gè)人語(yǔ)音助手，這將需要對(duì)我們的界面進(jìn)行一些額外的調(diào)整。