[Python]语音识别媒体中的音频到文本

@

目录

• 准备工作
• 视频转音频
• 识别音频到文本
• 音频直接转换文本

准备工作

1. 安装python3环境
2. 申请一个可用的语音转换API，此篇以Microsoft Azure Speech为例
   在Microsoft Azure 市场中搜索speech关键字找到语音服务。并创建好服务实例
   
   在资源中找到创建的服务并查看
   
   在此处点击显示密钥，我们要记住key值和location值，作为语音识别库的请求参数
   

视频转音频

安装视频库moviepy

pip install moviepy  

编写代码，将视频文件test.mp4中的音频提取到test2.wav

import moviepy.editor  videoClip = moviepy.editor.VideoFileClip(r"{}".format("test.mp4")) videoClip.audio.write_audiofile(r"{}".format("test2.wav")) 

识别音频到文本

安装语音识别库SpeechRecognition

pip install SpeechRecognition  

编写代码，将视频文件test3.wav中的音频识别，并转换成文本写入test.txt

import speech_recognition   audio2 = speech_recognition.AudioFile("{}".format("test3.wav")) recognizer =  speech_recognition.Recognizer() with audio2 as source:     audioData = recognizer.record(source) result = recognizer.recognize_azure(audioData,key="<your api key>",language="zh-CN",location="eastus") with open('test.txt', 'w') as file:     if result.__len__()>0:         file.write(result[0])  

完整代码如下

import speech_recognition  import moviepy.editor  videoClip = moviepy.editor.VideoFileClip(r"{}".format("test.mp4")) videoClip.audio.write_audiofile(r"{}".format("test2.wav")) audio2 = speech_recognition.AudioFile("{}".format("test2.wav")) recognizer =  speech_recognition.Recognizer() with audio2 as source:     audioData = recognizer.record(source) result = recognizer.recognize_azure(audioData,key="<your api key>",language="zh-CN",location="eastus") with open('test.txt', 'w') as file:     if result.__len__()>0:         file.write(result[0])  

音频直接转换文本

Azure提供了快捷转换语音到文本的工具 https://speech.microsoft.com/portal
点击实时语音转文本

这里需要注意的是，需要上传的音频格式为16kHz 或 8kHz、16 位和单声道 PCM

上传完成后将自动转换成文本

安装音频转换库pydub

pip install pydub 

编写代码，将test.aac文件以16kHz 采样率和单声道 PCM 编码方式，保存至test1.wav
注意，如果使用ffmpeg编码的格式，需要下载ffmpeg相关库到脚本所在目录
http://www.ffmpeg.org/download.html#build-windows

from pydub import AudioSegment  audio1 = AudioSegment.from_file("test.aac", "aac") #  -ac 1 -ar 16000  audio1.export("test1.wav", format="wav",parameters=["-ac", "1", "-ar", "16000"])