我要评论1.在做一些语音项目的时候，每次都要调用api，百度的或者是科大讯飞的，要钱贵不说，识别效果还差的要命，此事苦其久也。
2.使用python3.8及以上的编译器。
3.安装pyaudio库包，该库包是用来进行实时语音录制和保存的。使用以下命令：
pip install pyaudio -i https://pypi.tuna.tsinghua.edu.cn/simple
4.安装whisper库包，该库包是用来进行语音转文字识别。使用以下命令：
pip install openai-whisper -i https://pypi.tuna.tsinghua.edu.cn/simple
5.安装和配置ffmpeg软件，后面配合录音使用，安装配置好后检测如下。
6.新建一个.py文件，比如"语音识别.py"文件。
7.准备编写代码，首先导入以下四个库包。
import whisper
import zhconv
import wave # 使用wave库可读、写wav类型的音频文件
import pyaudio # 使用pyaudio库可以进行录音，播放，生成wav文件
8.定义一个录音函数，同时在录音函数中定义数据流块。
def record(time): # 录音程序
# 定义数据流块
chunk = 1024 # 音频帧率（也就是每次读取的数据是多少，默认1024）
format = pyaudio.paint16 # 采样时生成wav文件正常格式
channels = 1 # 音轨数（每条音轨定义了该条音轨的属性,如音轨的音色、音色库、通道数、输入/输出端口、音量等。可以多个音轨，不唯一）
rate = 16000 # 采样率（即每秒采样多少数据）
record_seconds = time # 录音时间
wave_output_filename = "./output.wav" # 保存音频路径
p = pyaudio.pyaudio() # 创建pyaudio对象
stream = p.open(format=format, # 采样生成wav文件的正常格式
channels=channels, # 音轨数
rate=rate, # 采样率
input=true, # ture代表这是一条输入流，false代表这不是输入流
frames_per_buffer=chunk) # 每个缓冲多少帧
print("* recording") # 开始录音标志
frames = [] # 定义frames为一个空列表
9.计算声音数据，准备保存实时声音数据到列表。
for i in range(0, int(rate / chunk * record_seconds)): # 计算要读多少次，每秒的采样率/每次读多少数据*录音时间=需要读多少次
data = stream.read(chunk) # 每次读chunk个数据
frames.append(data) # 将读出的数据保存到列表中
print("* done recording") # 结束录音标志
stream.stop_stream() # 停止输入流
stream.close() # 关闭输入流
p.terminate() # 终止pyaudio
10.将保存在列表中的声音数据以二进制的形式保存在一个wav声音文件中。
wf = wave.open(wave_output_filename, 'wb') # 以’wb‘二进制流写的方式打开一个文件
wf.setnchannels(channels) # 设置音轨数
wf.setsampwidth(p.get_sample_size(format)) # 设置采样点数据的格式，和fomart保持一致
wf.setframerate(rate) # 设置采样率与rate要一致
wf.writeframes(b''.join(frames)) # 将声音数据写入文件
wf.close() # 数据流保存完，关闭文件
11.继续定义一个main函数，该函数的功能是加载base语音模型（提示：该语音模型会自动下载），将实时语音以中文形式翻译成文字输出。
def main():
model = whisper.load_model("base")
record(5) # 定义录音时间，单位/s
result = model.transcribe("output.wav", language='chinese', fp16=false)
s = result["text"]
s1 = zhconv.convert(s, 'zh-cn')
print(s1)
12.最后，写一个运行入口，运行main函数。
if __name__ == '__main__':
main()
13.运行“语音识别.py”文件，
14.运行后，说出“晚上睡不着怎么办”，查看效果。
15.完整代码展示
import whisper
import zhconv
import wave # 使用wave库可读、写wav类型的音频文件
import pyaudio # 使用pyaudio库可以进行录音，播放，生成wav文件
def record(time): # 录音程序
# 定义数据流块
chunk = 1024 # 音频帧率（也就是每次读取的数据是多少，默认1024）
format = pyaudio.paint16 # 采样时生成wav文件正常格式
channels = 1 # 音轨数（每条音轨定义了该条音轨的属性,如音轨的音色、音色库、通道数、输入/输出端口、音量等。可以多个音轨，不唯一）
rate = 16000 # 采样率（即每秒采样多少数据）
record_seconds = time # 录音时间
wave_output_filename = "./output.wav" # 保存音频路径
p = pyaudio.pyaudio() # 创建pyaudio对象
stream = p.open(format=format, # 采样生成wav文件的正常格式
channels=channels, # 音轨数
rate=rate, # 采样率
input=true, # ture代表这是一条输入流，false代表这不是输入流
frames_per_buffer=chunk) # 每个缓冲多少帧
print("* recording") # 开始录音标志
frames = [] # 定义frames为一个空列表
for i in range(0, int(rate / chunk * record_seconds)): # 计算要读多少次，每秒的采样率/每次读多少数据*录音时间=需要读多少次
data = stream.read(chunk) # 每次读chunk个数据
frames.append(data) # 将读出的数据保存到列表中
print("* done recording") # 结束录音标志
stream.stop_stream() # 停止输入流
stream.close() # 关闭输入流
p.terminate() # 终止pyaudio
wf = wave.open(wave_output_filename, 'wb') # 以’wb‘二进制流写的方式打开一个文件
wf.setnchannels(channels) # 设置音轨数
wf.setsampwidth(p.get_sample_size(format)) # 设置采样点数据的格式，和fomart保持一致
wf.setframerate(rate) # 设置采样率与rate要一致
wf.writeframes(b''.join(frames)) # 将声音数据写入文件
wf.close() # 数据流保存完，关闭文件
def main():
model = whisper.load_model("base")
record(5) # 定义录音时间，单位/s
result = model.transcribe("output.wav", language='chinese', fp16=false)
s = result["text"]
s1 = zhconv.convert(s, 'zh-cn')
print(s1)
if __name__ == '__main__':
main()
16.最后，运行成功的同学记得一键三连！有问题评论区见！
发表评论