ESP32开发（6）esp-adf：百度语音识别

前言

本例程基于官方例程esp-adf/example/speech_recognition/asr修改而来。asr例程是一个本地语音识别例程，已经帮助我们读取到了所需要的原始语音数据，我们只要稍作修改，将它通过HTTP协议上传到百度语音识别接口，就可以实现语音识别啦。

准备工作

开发环境：Linux-Ubuntu16
开发平台：ESP32_LyraT开发板。这款开发板上面的模组是ESP32-WROVER，额外带有4M RAM，可以用来缓存语音数据。

获取Access Token

在百度开发者平台上创建一个语音识别应用，具体操作参考百度语音合成例程，我这里语音识别和语音合成是一个应用，记录下API key和Secret Key。在Linux中创建一个shell脚本，输入以下命令：

#!/bin/bash
curl -i -k 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=******&client_secret=******' >>receive_token.json

其中"client_id"是API key，"client secret"是Secret Key，执行脚本，在重定向生成的receive_token.json文件中找"access_token"这一项，记录下后面那一长串字符。注意：这个access_token只有一个月的有效期，需要定期更新。

实现思路

在实现之前，建议先阅读一下百度的官方语音识别文档REST API，了解一下两种上传方式的区别，我们采用RAM方式上传，不用计算JSON，节省内存开销。
因为asr例程是本地语音识别，所以我们还需要往程序中添加一些其他组件，比如基本的wifi连接配置，HTTP客户端配置，这些我们就不做讨论了。我们直接来看改动的主要部分。

while (1) 
{
    if(get_key_value() == 0)
    {
        char *buff = (char *)heap_caps_malloc(96 * 1024, MALLOC_CAP_SPIRAM);
        if (NULL == buff) 
        {
            ESP_LOGE(EVENT_TAG, "Memory allocation failed!");
            return;
        }
        memset(buff, 0, 96 * 1024);

        ESP_LOGI(TAG, "have key");
        for(size_t i = 0; i < 12; i++)
        {
            raw_stream_read(raw_read, (char *)buff + i * 8 * 1024, 8 * 1024);
        }

        esp_http_client_config_t config = 
        {
            .url = "http://vop.baidu.com/server_api?dev_pid=1536&cuid=ESP32_HanChenen521&token=24.5af78a8f13afcd9a592624865bbd5eac.2592000.1562320078.282335-15514068",
            .event_handler = _http_event_handler,
        };       
        esp_http_client_handle_t client = esp_http_client_init(&config);

        esp_http_client_set_method(client, HTTP_METHOD_POST);     
        esp_http_client_set_post_field(client, (const char *)buff, 96 * 1024);
        esp_http_client_set_header(client, "Content-Type", "audio/pcm;rate=16000");  
        esp_err_t err = esp_http_client_perform(client);
        if (err == ESP_OK) 
        {
            ESP_LOGI(TAG, "HTTP POST Status = %d, content_length = %d",
                    esp_http_client_get_status_code(client),
                    esp_http_client_get_content_length(client));
        } 
        else 
        {
            ESP_LOGE(TAG, "HTTP POST request failed: %s", esp_err_to_name(err));
        }
        esp_http_client_cleanup(client);

        free(buff);
        buff = NULL;
    }
    ESP_LOGI(TAG, "please press the key");
    vTaskDelay(100);

首先判断按键是否按下，按下后开始录音。要使用外部RAM，需用heap_caps_malloc()函数来分配内存，16KHz的16位单声道音频数据每秒钟字节数是32K，我们要录制3秒的话就得分配96K字节的内存，因为前面raw流配置的缓冲buff是8*1024，所以我们需要循环读取12次，才能将所有数据读入外部RAM，循环读入的时候注意移动指针。然后根据百度官方文档配置HTTP请求参数，上传音频数据，最终得到正确的返回结果。
注：程序中的token大概在7月份过期，目前还可以用。

写的比较匆忙，有疑问的地方大家可以留言评论，到后面还会继续更新其他实用的ESP32应用，欢迎大家持续关注以及批评指正。
目前，正在建设自己的git仓库，后面会把有关程序开源到git上，敬请期待。。。