1. prepare
根据百度开发文档的提示可以知道，API仅能处理特定格式的语音文件。
这就以为着需要对语音文件进行解码，修改，重新编码。
特别的，如果我希望能够提供视屏的字幕，就需要对音屏文件进行提取，然后进行语音识别。
ffmpeg
简介
FFmpeg是一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序。采用LGPL或GPL许可证。它提供了录制、转换以及流化音视频的完整解决方案。
Ubuntu安装的比较简单粗暴：
sudo apt-get install lame
sudo apt-get install ffmpeg使用
输入音频参数
wav amr 与mp3格式都自带头部， 含有采样率 编码 多声道等信息。而pcm为原始音频信息，没有类似头部。 wav（pcm编码）格式，仅仅在同样参数的pcm文件加了个几百k的文件头。
输入 wav amr 及mp3格式：
-i test.wav # 或test.mp3 或者 test.amr输入 pcm格式： pcm需要额外告知编码格式，采样率，单声道信息，-f fmt 强迫采用格式fmt，-ac 2（声道数1或2），-ar （声音的采样频率），s16le （PCM signed 16-bit little-endian）
-f s16le -ac 1 -ar 16000 -i 8k.pcm单声道 16000 采样率 16bits编码 pcm文件
输出音频参数
在原始采样率 大于或者接近16000的时候，推荐使用16000的采样率。 8000的采样率会降低识别效果。 输出wav和amr格式时，如果不指定输出编码器的haunt，ffmpeg会选取默认编码器。
输出pcm音频
-f s16le -ac 1 -ar 16000 16k.pcm 单声道 16000 采样率 16bits编码 pcm文件
输出wav 音频：
-ac 1 -ar 16000 16k.wav 单声道 16000 采样率的wav文件。
what a wav looks like?
# -*- coding: utf-8 -*-
import wave
import pylab as pl
import numpy as np# 打开WAV文档
#‘rb’，读取文件；
#‘wb’，写入文件;
f = wave.open(r"/home/vedio/test.wav", "rb")# 读取格式信息
# (nchannels, sampwidth, framerate, nframes, comptype, compname)
params = f.getparams()
nchannels, sampwidth, framerate, nframes = params[:4]# 读取波形数据
str_data = f.readframes(nframes)
f.close()#将波形数据转换为数组
wave_data = np.fromstring(str_data, dtype=np.short)
wave_data.shape = -1, 2
wave_data = wave_data.T
time = np.arange(0, nframes) * (1.0 / framerate)# 绘制波形
pl.subplot(211)
pl.plot(time, wave_data[0])
pl.subplot(212)
pl.plot(time, wave_data[1], c="g")
pl.xlabel("time (seconds)")
pl.show()
待续
本文链接：https://my.lmcjl.com/post/11169.html
展开阅读全文
4 评论