大家好！今天我要給大家詳細講解一個使用百度語音識別API的Python代碼。這個代碼可以將音頻文件轉換成文字，非常適合做語音轉文字的應用。我會從最基礎的概念開始講起，確保沒有任何編程基礎的朋友也能理解。

翻譯

一、代碼概覽

這段代碼主要實現了以下幾個功能：

1. 連接百度語音識別API

2. 檢查音頻文件是否符合要求

3. 將音頻文件發送到百度服務器進行識別

4. 返回識別結果

整個代碼大約150行，包含了一個主類BaiduASR和幾個輔助函數。下面我會逐部分詳細解釋。

二、準備工作：導入必要的庫

代碼開頭部分導入了多個Python庫：

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

讓我們一個個來看這些庫的作用：

1. os：用于操作系統相關的功能，比如處理文件路徑

2. time：處理時間相關操作

3. json：處理JSON格式的數據（JSON是一種常用的數據交換格式）

4. wave：專門處理WAV格式的音頻文件

5. base64：將二進制數據編碼為ASCII字符（因為網絡傳輸需要文本格式）

6. requests：發送HTTP請求到百度服務器

7. config：從自定義配置文件導入百度API的認證信息

三、BaiduASR類詳解

整個代碼的核心是BaiduASR類，它封裝了所有與百度語音識別相關的功能。

1. 初始化方法?init:

def __init__(self):self.app_id = BAIDU_APP_IDself.api_key = BAIDU_API_KEYself.secret_key = BAIDU_SECRET_KEYself.token_url = BAIDU_TOKEN_URLself.asr_url = BAIDU_ASR_URLself.access_token = Noneself.token_expires_time = 0

這里設置了百度API所需的各種參數：

• app_id：應用ID

• api_key：API密鑰

• secret_key：密鑰

• token_url：獲取訪問令牌的URL

• asr_url：語音識別的API地址

• access_token：訪問令牌（初始為None）

• token_expires_time：令牌過期時間（初始為0）

這些參數中，前五個都是從config.py文件中導入的，這樣做的好處是可以保護敏感信息，避免直接寫在代碼中。

2. 獲取訪問令牌 get_access_token

def get_access_token(self):"""獲取百度API訪問令牌"""current_time = time.time()# 如果token未過期，直接返回if self.access_token and current_time < self.token_expires_time:return self.access_token# 獲取新的access_tokenparams = {'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有效期一般為30天，這里設置為29天后過期self.token_expires_time = current_time + result.get('expires_in', 2592000) - 86400return self.access_tokenelse:return Noneexcept Exception as e:return None

這部分代碼負責獲取訪問百度API所需的令牌(token)。百度API使用OAuth2.0認證，需要先獲取token才能使用其他服務。

這部分代碼負責獲取訪問百度API所需的令牌(token)。百度API使用OAuth2.0認證，需要先獲取token才能使用其他服務。

詳細解釋：

1. 首先檢查當前是否有有效的token（未過期），如果有就直接返回

2. 如果沒有有效token，就準備請求參數：

   • grant_type：固定為'client_credentials'

   • client_id：API Key

   • client_secret：Secret Key

3. 使用requests庫發送POST請求到token_url

4. 解析返回的JSON數據

5. 如果獲取成功，保存token并設置過期時間（提前1天過期，避免臨界點問題）

6. 返回token或None（失敗時）

3. 驗證音頻文件 validate_audio

def validate_audio(self, file_path):"""驗證音頻文件格式"""try:with wave.open(file_path, 'rb') as wf:nchannels = wf.getnchannels()sampwidth = wf.getsampwidth()framerate = wf.getframerate()nframes = wf.getnframes()valid = Trueif nchannels != 1:valid = Falseif sampwidth != 2:valid = False# 百度API只支持特定采樣率supported_rates = [8000, 16000]if framerate not in supported_rates:valid = Falseduration = nframes / float(framerate)if duration < 0.3:valid = Falseelif duration > 60:valid = Falseif valid:return True, framerate, durationreturn False, None, Noneexcept Exception as e:return False, None, None

這個方法檢查音頻文件是否符合百度API的要求：

1. 使用wave模塊打開WAV文件

2. 獲取音頻參數：

   • nchannels：聲道數（百度要求單聲道）

   • sampwidth：采樣寬度（百度要求16bit，即2字節）

   • framerate：采樣率（百度支持8000或16000Hz）

   • nframes：總幀數

3. 檢查音頻時長是否在0.3-60秒之間

4. 返回檢查結果、采樣率和時長

4. 語音識別主函數 recognize_audio

這是最核心的方法，負責實際的語音識別工作：

def recognize_audio(self, file_path):"""語音識別主函數"""# 驗證音頻格式is_valid, sample_rate, duration = self.validate_audio(file_path)if not is_valid:return "音頻格式不符合要求~"# 獲取access_tokenaccess_token = self.get_access_token()if not access_token:return "獲取訪問令牌失敗，請檢查API密鑰~"

首先驗證音頻文件并獲取token，這兩步是前置條件檢查。

接下來是處理音頻數據：

    # 讀取音頻文件并編碼try:with open(file_path, 'rb') as f:audio_data = f.read()# base64編碼audio_base64 = base64.b64encode(audio_data).decode('utf-8')# 確定音頻格式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'  # 默認wav格式

這部分代碼：

1. 讀取音頻文件的二進制數據

2. 使用base64編碼（因為HTTP傳輸需要文本數據）

3. 根據文件擴展名確定格式類型

然后是準備請求參數：

        # 修復：確保采樣率為整數，并根據百度API要求進行規范化if sample_rate == 16000:api_rate = 16000elif sample_rate == 8000:api_rate = 8000else:# 如果采樣率不是標準值，使用最接近的標準值api_rate = 16000 if sample_rate > 12000 else 8000# 構建請求數據 - 注意：百度ASR使用POST請求，參數放在body中data = {'format': format_type,'rate': api_rate,  # 確保使用標準采樣率'channel': 1,'speech': audio_base64,'len': len(audio_data),'cuid': 'python_client_v3',  # 修改cuid'token': access_token,'dev_pid':80001  # 改為普通話(純中文識別)，如果還有問題可以嘗試15372}

這里構建了發送給百度API的請求數據，包括：

• 音頻格式

• 采樣率

• 聲道數（固定為1）

• base64編碼的音頻數據

• 音頻數據長度

• 客戶端ID

• 訪問令牌

• 語言模型ID（80001表示普通話純中文識別）

接下來發送請求并處理響應

        # 設置請求頭headers = {'Content-Type': 'application/json; charset=utf-8'}# 發送識別請求 - 注意：所有參數都在body中，不使用URL參數response = requests.post(self.asr_url,data=json.dumps(data),headers=headers,timeout=30)# 打印響應狀態碼和內容，用于調試result = response.json()# 處理識別結果if result.get('err_no') == 0:# 識別成功if 'result' in result and result['result']:recognized_text = ''.join(result['result'])print(f"{recognized_text}")return recognized_textelse:return "識別不到內容~"else:# 識別失敗error_msg = result.get('err_msg', '未知錯誤')# 提供更詳細的錯誤信息if result.get('err_no') == 3311:return f"采樣率參數錯誤~ 請確保音頻采樣率為8000Hz或16000Hz"elif result.get('err_no') == 3300:return f"輸入參數不正確~ 請檢查音頻格式"elif result.get('err_no') == 3301:return f"音頻質量問題~ 請檢查音頻文件是否損壞"else:return f"識別失敗~ 錯誤信息: {error_msg}"

這部分代碼：

1. 設置HTTP請求頭，指定內容類型為JSON

2. 發送POST請求到百度語音識別API

3. 解析返回的JSON數據

4. 根據返回的錯誤碼處理不同情況：

   • 成功時返回識別結果

   • 失敗時返回相應的錯誤信息

   • 異常處理

         except FileNotFoundError:return "找不到音頻文件喵~"except requests.exceptions.RequestException as e:return "網絡請求失敗喵~"except Exception as e:return "識別過程發生異常喵~"
     

     捕獲了三種可能的異常：

   • 文件不存在

   • 網絡請求失敗

   • 其他未知異常

四、單例模式實現

代碼后面部分實現了單例模式，確保整個應用中只有一個BaiduASR實例：

# 全局ASR實例
_asr_instance = Nonedef get_asr_instance():"""獲取ASR實例（單例模式）"""global _asr_instanceif _asr_instance is None:_asr_instance = BaiduASR()return _asr_instance

單例模式是一種設計模式，確保一個類只有一個實例，并提供一個全局訪問點。這樣做的好處是：

1. 避免重復創建對象

2. 節省系統資源

3. 保持全局一致性

五、對外接口函數

為了方便使用，代碼提供了兩個簡單的對外函數：

def validate_audio(file_path):"""驗證音頻文件格式（保持原有函數名）"""asr = get_asr_instance()is_valid, _, _ = asr.validate_audio(file_path)return is_validdef recognize_audio(file_path):"""語音識別函數（保持原有函數名和功能）"""asr = get_asr_instance()return asr.recognize_audio(file_path)

這樣外部代碼只需要調用這兩個函數即可，不需要關心內部的復雜實現。

六、本地調試入口

最后是一個簡單的測試代碼：

# 本地調試入口
if __name__ == "__main__":file_path = "../input.wav"recognize_audio(file_path)

當直接運行這個Python文件時（而不是被導入為模塊），會嘗試識別"../input.wav"文件。

七、總結

這個百度語音識別的Python實現包含了以下幾個關鍵點：

1. 認證機制：使用OAuth2.0獲取訪問令牌

2. 音頻驗證：確保音頻格式符合API要求

3. 數據編碼：使用base64編碼二進制音頻數據

4. API請求：構建正確的HTTP請求并處理響應

5. 錯誤處理：全面考慮各種可能的錯誤情況

6. 設計模式：使用單例模式管理實例

通過這樣的封裝，外部代碼可以非常簡單地進行語音識別，而不用關心內部復雜的實現細節。

希望這篇詳細的解釋能幫助你理解這段代碼的工作原理！如果有任何不明白的地方，歡迎留言討論。