语音识别预处理---语音转文字

平台：百度语音识别

环境：win7+python3

    利用百度语音识别，由于百度限制了语音文件格式（pcm（不压缩）、wav（不压缩，pcm编码）、amr（压缩格式））和 8k/16k 采样率、16bit 位深、单声道，所以一遍需要先对语音文件做格式转换和语音文件分段处理。

一：格式转换

工具：ffmpeg

地址：http://ffmpeg.org/ffmpeg.html

    本人安装静态版本，安装后，将文件先进行格式转换，代码如下：

def change_voiceformat(self,filepath):

#语音文件路径

    file_name = filepath

# 调用系统命令，将文件转换成pcm格式

#  self.pcm_path存放文件路径

    change_voiceformat_command =f".\\ffmpeg\\bin\\ffmpeg -i {file_name} -acodec pcm_s16le -f s16le -ac 1 -ar 16000 {self.pcm_path}"

    os.system(change_voiceformat_command)

二：语音文件分割

工具：speech-vad-demo

地址： https://github.com/Baidu-AIP/speech-vad-demo

集成 webrtc 开源项目，vad模块，具体算法GMM(Gaussian Mixture Model)。

由于百度rest api接口有60s的音频时长限制，使用此demo可以粗略地按照静音切分音频。

先下载后进行安装，在下载的文件夹里可以看到exe执行文件。

def devide_voice(self):

# 先将工作目录切换到.\speech-vad-demo才能执行vad-demo.exe

    os.chdir(".\\speech-vad-demo\\")

# 直接执行.\vad-demo.exe，默认会将.\pcm\16k_1.pcm文件分段 切割并输出到.\output_pcm目录下

    devide_voice_com =f".\\vad-demo.exe"

    os.system(devide_voice_com)

# 切换回工作目录

    os.chdir("..\\")