从零开始理解百度语音识别API的Python实现-EW帮帮网

大家好！今天我要给大家详细讲解一个使用百度语音识别API的Python代码。这个代码可以将音频文件转换成文字，非常适合做语音转文字的应用。我会从最基础的概念开始讲起，确保没有任何编程基础的朋友也能理解。

翻译

一、代码概览

这段代码主要实现了以下几个功能：

连接百度语音识别API
检查音频文件是否符合要求
将音频文件发送到百度服务器进行识别
返回识别结果

整个代码大约150行，包含了一个主类BaiduASR和几个辅助函数。下面我会逐部分详细解释。

二、准备工作：导入必要的库

代码开头部分导入了多个Python库：

import os
import time
import json
import wave
import base64
import requests
from config import BAIDU_APP_ID, BAIDU_API_KEY, BAIDU_SECRET_KEY, BAIDU_TOKEN_URL, BAIDU_ASR_URL

让我们一个个来看这些库的作用：

os：用于操作系统相关的功能，比如处理文件路径
time：处理时间相关操作
json：处理JSON格式的数据（JSON是一种常用的数据交换格式）
wave：专门处理WAV格式的音频文件
base64：将二进制数据编码为ASCII字符（因为网络传输需要文本格式）
requests：发送HTTP请求到百度服务器
config：从自定义配置文件导入百度API的认证信息

三、BaiduASR类详解

整个代码的核心是BaiduASR类，它封装了所有与百度语音识别相关的功能。

1. 初始化方法 init:

def __init__(self):
    self.app_id = BAIDU_APP_ID
    self.api_key = BAIDU_API_KEY
    self.secret_key = BAIDU_SECRET_KEY
    self.token_url = BAIDU_TOKEN_URL
    self.asr_url = BAIDU_ASR_URL
    self.access_token = None
    self.token_expires_time = 0

这里设置了百度API所需的各种参数：

app_id：应用ID
api_key：API密钥
secret_key：密钥
token_url：获取访问令牌的URL
asr_url：语音识别的API地址
access_token：访问令牌（初始为None）
token_expires_time：令牌过期时间（初始为0）

这些参数中，前五个都是从config.py文件中导入的，这样做的好处是可以保护敏感信息，避免直接写在代码中。

2. 获取访问令牌 get_access_token

def get_access_token(self):
    """获取百度API访问令牌"""
    current_time = time.time()

    # 如果token未过期，直接返回
    if self.access_token and current_time < self.token_expires_time:
        return self.access_token

    # 获取新的access_token
    params = {
        'grant_type': 'client_credentials',
        'client_id': self.api_key,
        'client_secret': self.secret_key
    }

    try:
        response = requests.post(self.token_url, params=params, timeout=10)
        result = response.json()

        if 'access_token' in result:
            self.access_token = result['access_token']
            # token有效期一般为30天，这里设置为29天后过期
            self.token_expires_time = current_time + result.get('expires_in', 2592000) - 86400
            return self.access_token
        else:
            return None

    except Exception as e:
        return None

这部分代码负责获取访问百度API所需的令牌(token)。百度API使用OAuth2.0认证，需要先获取token才能使用其他服务。

详细解释：

首先检查当前是否有有效的token（未过期），如果有就直接返回
如果没有有效token，就准备请求参数：
- grant_type：固定为'client_credentials'
- client_id：API Key
- client_secret：Secret Key
使用requests库发送POST请求到token_url
解析返回的JSON数据
如果获取成功，保存token并设置过期时间（提前1天过期，避免临界点问题）
返回token或None（失败时）

3. 验证音频文件 validate_audio

def validate_audio(self, file_path):
    """验证音频文件格式"""
    try:
        with wave.open(file_path, 'rb') as wf:
            nchannels = wf.getnchannels()
            sampwidth = wf.getsampwidth()
            framerate = wf.getframerate()
            nframes = wf.getnframes()

            valid = True
            if nchannels != 1:
                valid = False
            if sampwidth != 2:
                valid = False

            # 百度API只支持特定采样率
            supported_rates = [8000, 16000]
            if framerate not in supported_rates:
                valid = False

            duration = nframes / float(framerate)
            if duration < 0.3:
                valid = False
            elif duration > 60:
                valid = False

            if valid:
                return True, framerate, duration
            return False, None, None

    except Exception as e:
        return False, None, None

这个方法检查音频文件是否符合百度API的要求：

使用wave模块打开WAV文件
获取音频参数：
- nchannels：声道数（百度要求单声道）
- sampwidth：采样宽度（百度要求16bit，即2字节）
- framerate：采样率（百度支持8000或16000Hz）
- nframes：总帧数
检查音频时长是否在0.3-60秒之间
返回检查结果、采样率和时长

4. 语音识别主函数 recognize_audio

这是最核心的方法，负责实际的语音识别工作：

def recognize_audio(self, file_path):
    """语音识别主函数"""
    # 验证音频格式
    is_valid, sample_rate, duration = self.validate_audio(file_path)
    if not is_valid:
        return "音频格式不符合要求~"

    # 获取access_token
    access_token = self.get_access_token()
    if not access_token:
        return "获取访问令牌失败，请检查API密钥~"

首先验证音频文件并获取token，这两步是前置条件检查。

接下来是处理音频数据：

    # 读取音频文件并编码
    try:
        with open(file_path, 'rb') as f:
            audio_data = f.read()

        # base64编码
        audio_base64 = base64.b64encode(audio_data).decode('utf-8')

        # 确定音频格式
        file_ext = os.path.splitext(file_path)[1].lower()
        if file_ext == '.wav':
            format_type = 'wav'
        elif file_ext == '.pcm':
            format_type = 'pcm'
        elif file_ext == '.amr':
            format_type = 'amr'
        elif file_ext == '.m4a':
            format_type = 'm4a'
        else:
            format_type = 'wav'  # 默认wav格式

这部分代码：

读取音频文件的二进制数据
使用base64编码（因为HTTP传输需要文本数据）
根据文件扩展名确定格式类型

然后是准备请求参数：

        # 修复：确保采样率为整数，并根据百度API要求进行规范化
        if sample_rate == 16000:
            api_rate = 16000
        elif sample_rate == 8000:
            api_rate = 8000
        else:
            # 如果采样率不是标准值，使用最接近的标准值
            api_rate = 16000 if sample_rate > 12000 else 8000

        # 构建请求数据 - 注意：百度ASR使用POST请求，参数放在body中
        data = {
            'format': format_type,
            'rate': api_rate,  # 确保使用标准采样率
            'channel': 1,
            'speech': audio_base64,
            'len': len(audio_data),
            'cuid': 'python_client_v3',  # 修改cuid
            'token': access_token,
            'dev_pid':80001  # 改为普通话(纯中文识别)，如果还有问题可以尝试15372
        }

这里构建了发送给百度API的请求数据，包括：

音频格式
采样率
声道数（固定为1）
base64编码的音频数据
音频数据长度
客户端ID
访问令牌
语言模型ID（80001表示普通话纯中文识别）

接下来发送请求并处理响应

        # 设置请求头
        headers = {
            'Content-Type': 'application/json; charset=utf-8'
        }

        # 发送识别请求 - 注意：所有参数都在body中，不使用URL参数
        response = requests.post(
            self.asr_url,
            data=json.dumps(data),
            headers=headers,
            timeout=30
        )

        # 打印响应状态码和内容，用于调试
        result = response.json()

        # 处理识别结果
        if result.get('err_no') == 0:
            # 识别成功
            if 'result' in result and result['result']:
                recognized_text = ''.join(result['result'])
                print(f"{recognized_text}")
                return recognized_text
            else:
                return "识别不到内容~"
        else:
            # 识别失败
            error_msg = result.get('err_msg', '未知错误')

            # 提供更详细的错误信息
            if result.get('err_no') == 3311:
                return f"采样率参数错误~ 请确保音频采样率为8000Hz或16000Hz"
            elif result.get('err_no') == 3300:
                return f"输入参数不正确~ 请检查音频格式"
            elif result.get('err_no') == 3301:
                return f"音频质量问题~ 请检查音频文件是否损坏"
            else:
                return f"识别失败~ 错误信息: {error_msg}"

这部分代码：

设置HTTP请求头，指定内容类型为JSON
发送POST请求到百度语音识别API
解析返回的JSON数据

根据返回的错误码处理不同情况：

成功时返回识别结果
失败时返回相应的错误信息

异常处理

    except FileNotFoundError:
        return "找不到音频文件喵~"
    except requests.exceptions.RequestException as e:
        return "网络请求失败喵~"
    except Exception as e:
        return "识别过程发生异常喵~"

捕获了三种可能的异常：

文件不存在
网络请求失败
其他未知异常

四、单例模式实现

代码后面部分实现了单例模式，确保整个应用中只有一个BaiduASR实例：

# 全局ASR实例
_asr_instance = None


def get_asr_instance():
    """获取ASR实例（单例模式）"""
    global _asr_instance
    if _asr_instance is None:
        _asr_instance = BaiduASR()
    return _asr_instance

单例模式是一种设计模式，确保一个类只有一个实例，并提供一个全局访问点。这样做的好处是：

避免重复创建对象
节省系统资源
保持全局一致性

五、对外接口函数

为了方便使用，代码提供了两个简单的对外函数：

def validate_audio(file_path):
    """验证音频文件格式（保持原有函数名）"""
    asr = get_asr_instance()
    is_valid, _, _ = asr.validate_audio(file_path)
    return is_valid


def recognize_audio(file_path):
    """语音识别函数（保持原有函数名和功能）"""
    asr = get_asr_instance()
    return asr.recognize_audio(file_path)

这样外部代码只需要调用这两个函数即可，不需要关心内部的复杂实现。

六、本地调试入口

最后是一个简单的测试代码：

# 本地调试入口
if __name__ == "__main__":
    file_path = "../input.wav"
    recognize_audio(file_path)

当直接运行这个Python文件时（而不是被导入为模块），会尝试识别"../input.wav"文件。

七、总结

这个百度语音识别的Python实现包含了以下几个关键点：

认证机制：使用OAuth2.0获取访问令牌
音频验证：确保音频格式符合API要求
数据编码：使用base64编码二进制音频数据
API请求：构建正确的HTTP请求并处理响应
错误处理：全面考虑各种可能的错误情况
设计模式：使用单例模式管理实例

通过这样的封装，外部代码可以非常简单地进行语音识别，而不用关心内部复杂的实现细节。

希望这篇详细的解释能帮助你理解这段代码的工作原理！如果有任何不明白的地方，欢迎留言讨论。

从零开始理解百度语音识别API的Python实现