用百度智能云批量识别微信语音

如果你没有在 cnblog 作者为 carr0t2 中看到此文章，建议访问 原网页以获取更好的排版，图片体验

本人现在不确定是否要继续开发图形化界面，更多的支持，如果确实有需要，请在下方留言。

准备工具及环境

1. Python3.7
2. silk-v3-decoder https://github.com/kn007/silk-v3-decoder
3. 百度智能云账号（用百度账号就行），申请 API Key 和 Secret Key
4. 百度短语音识别API Demo 基于官方Demo代码修改 https://github.com/Baidu-AIP/speech-demo/tree/master/rest-api-asr/python
5. 本文环境为Windows python3.7

大致思路

1. 手机微信找到语音文件保存的位置，导出

2. 用silk-v3-decoder将录音转换为wav格式

3. ffmpeg将wav转成pcm，采样频率16000

4. 用python识别

5. 仅个人处理方法，有问题欢迎指出

具体操作

导出微信语音文件

• 手机微信语音文件一般保存在内部存储\tencent\MicroMsg\****************************\voice2

  星号里是一个很长的包含数字字母的字符串

  里面包括这许多这样的文件夹
  

• 全部复制粘贴到并提取出音频文件

  Windows下搜索.amr

  

  全选复制粘贴到一个新文件夹

• 这些就是录音文件，但是格式比较奇怪，需要处理成常规格式

处理导出语音文件

重命名文件

• 因为要保持相对顺序，而直接进行转换会导致文件修改时间变化，于是无法恢复正常语音顺序
• 用python，提取文件修改时间并重命名

import osimport timepath=‘.\\lecture‘dirs = os.listdir(path)for file in dirs: finfo = os.stat(path+‘\\‘+file) timeArray = time.localtime(finfo.st_mtime) nametime = time.strftime("%Y_%m_%d_%H_%M_%S", timeArray) os.rename(path+‘\\‘+file,path+‘\\‘+nametime+‘.amr‘) print(nametime)

转换为pcm格式

• python通过命令行调用silk_v3_decoder.exe 解码，具体命令写在下面
• pcm文件好像无法直接播放，Audacity是可以的

修改Demo代码

• 先copy代码

  https://github.com/Baidu-AIP/speech-demo/tree/master/rest-api-asr/python

  个人觉得json和raw在小规模使用没啥区别

• 填 API Key 和 Secret Key

• 写python，个人只稍微改了一部分，全部代码贴在github

前面的修改

• silk_v3_decoder.exe转格式为16k pcm

 FORMAT = ‘pcm‘ pathamr=r‘.\amr‘ pathpcm=r‘.\pcm‘ dirs = os.listdir(pathamr) #dirs.remove(‘desktop.ini‘)### Windows可能会有这个文件 for file in dirs: time.sleep(0.3) name=file[:-3] commandstring= ‘ silk_v3_decoder.exe ‘ + str(pathamr) + ‘\\‘ + name + ‘amr ‘ + str(pathpcm) +‘\\‘+ str(name) + ‘pcm‘ +‘ -Fs_API 16000 ‘ os.system(commandstring) AUDIO_FILE =str(pathpcm)+‘\\‘+ str(name) + ‘pcm‘

后面的修改

• 使输出为追加，并且增加时间字段，后续处理还没有做，所以导出的文件还是json

 with open("result.txt","a") as of: result_dict=eval(result_str) result_dict["time"]=name of.write(str(result_dict)+‘\n‘)

后记

• 刚学python，随便写写，欢迎指出错误
• 文件后续处理还没有做好，想做成输出是前面一行时间，后面一行识别内容，如果有识别偏差较大，方便找到位置重新听
• 没有做到全程自动化，还是要手动处理内容的。
• 没用到百度的语音自训练平台

代码（仅供参考）

import sysimport jsonimport base64import timeimport osimport subprocessIS_PY3 = sys.version_info.major == 3if IS_PY3: from urllib.request import urlopen from urllib.request import Request from urllib.error import URLError from urllib.parse import urlencode timer = time.perf_counterelse: from urllib2 import urlopen from urllib2 import Request from urllib2 import URLError from urllib import urlencode if sys.platform == "win32": timer = time.clock else: # On most other platforms the best timer is time.time() timer = time.timeAPI_KEY = ‘****************‘### 填入自己的SECRET_KEY = ‘*****************‘# 需要识别的文件# 文件格式FORMAT = ‘pcm‘ # 文件后缀只支持 pcm/wav/amr 格式，极速版额外支持m4a 格式###这里为了方便直接限制死CUID = ‘****************‘# 采样率RATE = 16000 # 固定值DEV_PID = 1537 # 1537 表示识别普通话，使用输入法模型。根据文档填写PID，选择语言及识别模型ASR_URL = ‘http://vop.baidu.com/server_api‘SCOPE = ‘audio_voice_assistant_get‘ # 有此scope表示有asr能力，没有请在网页里勾选，非常旧的应用可能没有class DemoError(Exception): pass""" TOKEN start """TOKEN_URL = ‘http://openapi.baidu.com/oauth/2.0/token‘def fetch_token(): params = {‘grant_type‘: ‘client_credentials‘, ‘client_id‘: API_KEY, ‘client_secret‘: SECRET_KEY} post_data = urlencode(params) if (IS_PY3): post_data = post_data.encode( ‘utf-8‘) req = Request(TOKEN_URL, post_data) try: f = urlopen(req) result_str = f.read() except URLError as err: print(‘token http response http code : ‘ + str(err.code)) result_str = err.read() if (IS_PY3): result_str = result_str.decode() print(result_str) result = json.loads(result_str) print(result) if (‘access_token‘ in result.keys() and ‘scope‘ in result.keys()): print(SCOPE) if SCOPE and (not SCOPE in result[‘scope‘].split(‘ ‘)): # SCOPE = False 忽略检查 raise DemoError(‘scope is not correct‘) print(‘SUCCESS WITH TOKEN: %s EXPIRES IN SECONDS: %s‘ % (result[‘access_token‘], result[‘expires_in‘])) return result[‘access_token‘] else: raise DemoError(‘MAYBE API_KEY or SECRET_KEY not correct: access_token or scope not found in token response‘)""" TOKEN end """if __name__ == ‘__main__‘: token = fetch_token() pathamr=r‘.\amr‘ pathpcm=r‘.\pcm‘ dirs = os.listdir(pathamr) #dirs.remove(‘desktop.ini‘)### Windows可能会有这个文件 for file in dirs: time.sleep(0.2) name=file[:-3] commandstring= ‘ silk_v3_decoder.exe ‘ + str(pathamr) + ‘\\‘ + name + ‘amr ‘ + str(pathpcm) +‘\\‘+ str(name) + ‘pcm‘ +‘ -Fs_API 16000 ‘ os.system(commandstring) ######下面没怎么动过了 AUDIO_FILE =str(pathpcm)+‘\\‘+ str(name) + ‘pcm‘ speech_data = [] with open(AUDIO_FILE, ‘rb‘) as speech_file: speech_data = speech_file.read() length = len(speech_data) if length == 0: raise DemoError(‘file %s length read 0 bytes‘ % AUDIO_FILE) speech = base64.b64encode(speech_data) if (IS_PY3): speech = str(speech, ‘utf-8‘) params = {‘dev_pid‘: DEV_PID, #"lm_id" : LM_ID, #测试自训练平台开启此项 ‘format‘: FORMAT, ‘rate‘: RATE, ‘token‘: token, ‘cuid‘: CUID, ‘channel‘: 1, ‘speech‘: speech, ‘len‘: length } post_data = json.dumps(params, sort_keys=False) # print post_data req = Request(ASR_URL, post_data.encode(‘utf-8‘)) req.add_header(‘Content-Type‘, ‘application/json‘) try: begin = timer() f = urlopen(req) result_str = f.read() print ("Request time cost %f" % (timer() - begin)) except URLError as err: print(‘asr http response http code : ‘ + str(err.code)) result_str = err.read() if (IS_PY3): result_str = str(result_str, ‘utf-8‘) print(result_str) with open("result.txt","a") as of: result_dict=eval(result_str) #result_dict["time"]=name #of.write(str(result_dict)+‘\n‘) of.write(‘{‘+name+‘}‘+‘\n‘) try: of.write(str(result_dict["result"])[2:-2]+‘\n\n‘) except: of.write(‘Error‘+‘\n‘)