Python简单语音识别并响应

起因是一个工作中喜欢说口头禅的同事，昨天老说“你看看你看看 操不操心”。说了几次之后我就在他说完“你看看”后面续上，“操不操心”。往复多次后，我就想，为啥不用Python识别语音并作出响应，正好没弄过语音识别。

1. 语音转文字

参考Python语音识别终极指南，吐槽一句：质量太差，是最烂的无审查的机翻。引模块中间都没空格importspeech_recognitionassr 应该是import speech_recognition as sr ；并创建识一个别器类的例子应该是并创建一个识别器类的例子 这块都不仅仅是机翻了吧，怎么会拆了词。但是为了了解API足够了。

语音转文字使用谷歌云平台的语音转文字服务[Google Cloud Speech API ](https://cloud.google.com/speech-to-text/)，因为是不需要API密钥的。其实是因为有默认密钥：

def recognize_google(self, audio_data, key=None, language="en-US", show_all=False):
	...
	if key is None: key = "AIzaSyBOti4mM-6x9WDnZIjIeyEU21OpBXqWBgw
	...

通过另外两个函数参数还可以了解到：lanauage （指定识别的语言），show_all（False返回识别率最高的一条结果，True返回所有识别结果的 json串 字典数据）

安装pip install SpeechRecognition

1.1 本地语音文件识别测试

# coding:utf-8

"""
本地语音文件识别测试
"""
import speech_recognition as sr
import sys

say = '你看看'
r = sr.Recognizer()

# 本地语音测试
harvard = sr.AudioFile(sys.path[0]+'/youseesee.wav')
with harvard as source:
    # 去噪
    r.adjust_for_ambient_noise(source, duration=0.2)
    audio = r.record(source)

# 语音识别
test = r.recognize_google(audio, language="cmn-Hans-CN", show_all=True)
print(test)

# 分析语音
flag = False
for t in test['alternative']:
    print(t)
    if say in t['transcript']:
        flag = True
        break
if flag:
    print('Bingo')

自己录了一段语音youseesee.wav （内容为轻轻（类似悄悄话，声带不强烈震动）说的你看看你看看，持续两秒）。音频文件格式可以是WAV/AIFF/FLAC

AudioFile instance given a WAV/AIFF/FLAC audio file

去噪函数adjust_for_ambient_noise()在音频中取一段噪声（duration时间范围，默认1s），来优化识别。因为原音频很短，所以这里只取了 0.2s 噪声。

转换函数recognize_google()的lanaguage参数范围可以从 Cloud Speech-to-Text API 语言支持 处了解到，「中文、普通话（中国简体）」 为 cmn-Hans-CN。

show_all前面有介绍，当上例中该参数为False时语音识别结果test输出呵呵你看看,为True时输出所有可能的识别结果：

{
    'alternative':[
        {
            'transcript':'呵呵你看看',
            'confidence':0.87500638
        },
        {
            'transcript':'呵呵你看'
        },
        {
            'transcript':'哥哥你看'
        },
        {
            'transcript':'哥哥你看看'
        },
        {
            'transcript':'呵呵你看咯'
        }
    ],
    'final':True
}

之后分析语音，只是简单找了识别结果是否包含期待值你看看，找出一个则表示正确识别并匹配，输出Bingo!

上例完整输出为：

{'alternative': [{'transcript': '呵呵你看看', 'confidence': 0.87500668}, {'transcript': '呵呵你看'}, {'transcript': '哥哥你看'}, {'transcript': '哥哥你看看'}, {'transcript': '呵呵你看咯'}], 'final': True}
{'transcript': '呵呵你看看', 'confidence': 0.87500668}
Bingo

注：如果发生异常:

speech_recognition.RequestError
recognition connection failed: [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。

是因为（梯子）没有设置全局代理。

1.2 实时语音识别测试

把音频数据来源，从上面的音频文件，改为创建一个麦克风实例，并录音。

需要安装pyAudio，如果pip install pyAudio不能安装，可以去Python Extension Packages下载安装。

# coding:utf-8

"""
实时语音识别测试
"""
import speech_recognition as sr
import logging
logging.basicConfig(level=logging.DEBUG)

while True:
    r = sr.Recognizer()
    # 麦克风
    mic = sr.Microphone()

    logging.info('录音中...')
    with mic as source:
        r.adjust_for_ambient_noise(source)
        audio = r.listen(source)
    logging.info('录音结束，识别中...')
    test = r.recognize_google(audio, language='cmn-Hans-CN', show_all=True)
    print(test)
    logging.info('end')

listen()函数将监听录音，并等到静音时停止。

until it encounters recognizer_instance.pause_threshold seconds of non-speaking or there is no more audio input.

等到显示录音中，开始说话，沉默后录音结束。试验中说了两次：一次是你看看你看看，二次是你再看看。结果打印如下：

INFO:root:录音中...
INFO:root:录音结束，识别中...
{'alternative': [{'transcript': '你看看你看看', 'confidence': 0.97500247}], 'final': True}
INFO:root:end
INFO:root:录音中...
INFO:root:录音结束，识别中...
{'alternative': [{'transcript': '你再看看', 'confidence': 0.91089392}, {'transcript': '你在看看'}, {'transcript': '你猜看看'}, {'transcript': '你再敢看'}, {'transcript': '你在感慨'}], 'final': True}
INFO:root:end
INFO:root:录音中...

识别率挺高，（还试过百度的baidu-aip，因我的音频没识别出来作罢），语音转文字就完成了。

2. 文字转语音

使用pyttsx 模块很简单，python3下为pyttsx3。

import pyttsx3
engine = pyttsx3.init()
engine.say("风飘荡，雨濛茸，翠条柔弱花头重")
engine.runAndWait()

如此简单即可听到语音朗读了。

3. 识别并响应

将上面的组合起来即可完成识别语音并响应了。

• 语音识别转文字
• 文字正则匹配并找出对应的响应文字
• 响应（朗读文字）

# coding:utf-8

"""
语音识别并响应。使用谷歌语音服务，不需要KEY（自带测试KEY）。https://github.com/Uberi/speech_recognition
"""
import speech_recognition as sr
import pyttsx3
import re
import logging
logging.basicConfig(level=logging.DEBUG)

resource = {
    r"(你看看?){1}.*1": "我不看，再让我看打死你",
    r"(你看看?)+": "你看看你看看，操不操心",
    r"(你.+啥)+": "咋地啦",
    r"(六六六|666)+": "要不说磐石老弟六六六呢？",
    r"(磐|石|老|弟)+": "六六六",
}

engine = pyttsx3.init()

while True:
    r = sr.Recognizer()
    # 麦克风
    mic = sr.Microphone()

    logging.info('录音中...')
    with mic as source:
        r.adjust_for_ambient_noise(source)
        audio = r.listen(source)
    logging.info('录音结束，识别中...')
    test = r.recognize_google(audio, language='cmn-Hans-CN', show_all=True)

    # 分析语音
    logging.info('分析语音')
    if test:
        flag = False
        message = ''
        for t in test['alternative']:
            logging.debug(t)
            for r, c in resource.items():
                # 用每个识别结果来匹配资源文件key(正则)，正确匹配则存储回答并退出
                logging.info(r)
                if re.search(r, t['transcript']):
                    flag = True
                    message = c
                    break
            if flag:
                break
        # 文字转语音
        if message:
            logging.info('bingo....')
            logging.info('say: %s' % message)
            engine.say(message)
            engine.runAndWait()
            logging.info('ok')
    logging.info('end')

对应的资源文字为

resource = {
    r"(你看看?){1}.*1": "我不看，再让我看打死你",
    r"(你看看?)+": "你看看你看看，操不操心",
    r"(你.+啥)+": "咋地啦",
    r"(六六六|666)+": "要不说磐石老弟六六六呢？",
    r"(磐|石|老|弟)+": "六六六",
}

这里刚好用到正则，其实刚开始没打算用正则，想匹配两次你看看的时候就想起回溯，就用正则了。

很方便：比如磐石老弟不好识别，就用(磐|石|老|弟)+找出一个匹配即可；你看看你看看用回溯1。因为匹配时候发现说的快了有时匹配一个看，就用了你看看?来匹配你看，其实后面的看?要不要都可以，但为了说明目的，还是没有去掉。

(你看看?){1}.*1能匹配

你看看你看看
你看看你看
你看你看看看...

这样识别率就高了。因为识别结果匹配时候从头往后匹配每个正则，遇到则完成，所以(你看看?){1}.*1需放在(你看看?)+前面。不然语音识别到你看看你看看就只能触发(你看看?)+了。

运行识别结果：

语音说了六次：

你看看，你看看你看看，你瞅啥，磐石，666，哈哈哈 （文字为了说明形象化，传输过去只是音频）

INFO:root:录音中...
INFO:root:录音结束，识别中...
INFO:root:分析语音
DEBUG:root:{'transcript': '你看看', 'confidence': 0.97500253}
INFO:root:(你看看?){1}.*1
INFO:root:(你看看?)+
INFO:root:bingo....
WARNING:root:say: 你看看你看看，操不操心
INFO:root:ok
INFO:root:end
--------------------------------------------------------------------
INFO:root:录音中...
INFO:root:录音结束，识别中...
INFO:root:分析语音
DEBUG:root:{'transcript': '你看看你看看', 'confidence': 0.97500247}
INFO:root:(你看看?){1}.*1
INFO:root:bingo....
WARNING:root:say: 我不看，再让我看打死你
INFO:root:ok
INFO:root:end
--------------------------------------------------------------------
INFO:root:录音中...
INFO:root:录音结束，识别中...
INFO:root:分析语音
DEBUG:root:{'transcript': '你瞅啥', 'confidence': 0.958637}
INFO:root:(你看看?){1}.*1
INFO:root:(你看看?)+
INFO:root:(你.+啥)+
INFO:root:bingo....
WARNING:root:say: 咋地啦
INFO:root:ok
INFO:root:end
--------------------------------------------------------------------
INFO:root:录音中...
INFO:root:录音结束，识别中...
INFO:root:分析语音
DEBUG:root:{'transcript': '磐石', 'confidence': 0.80128425}
INFO:root:(你看看?){1}.*1
INFO:root:(你看看?)+
INFO:root:(你.+啥)+
INFO:root:(六六六|666)+
INFO:root:(磐|石|老|弟)+
INFO:root:bingo....
WARNING:root:say: 六六六
INFO:root:ok
INFO:root:end
--------------------------------------------------------------------
INFO:root:录音中...
INFO:root:录音结束，识别中...
INFO:root:分析语音
DEBUG:root:{'transcript': '666', 'confidence': 0.91621482}
INFO:root:(你看看?){1}.*1
INFO:root:(你看看?)+
INFO:root:(你.+啥)+
INFO:root:(六六六|666)+
INFO:root:bingo....
WARNING:root:say: 要不说磐石老弟六六六呢？
INFO:root:ok
INFO:root:end
--------------------------------------------------------------------
INFO:root:录音中...
INFO:root:录音结束，识别中...
INFO:root:分析语音
DEBUG:root:{'transcript': '哈哈哈', 'confidence': 0.97387952}
INFO:root:(你看看?){1}.*1
INFO:root:(你看看?)+
INFO:root:(你.+啥)+
INFO:root:(六六六|666)+
INFO:root:(磐|石|老|弟)+
DEBUG:root:{'transcript': '哈哈哈哈'}
INFO:root:(你看看?){1}.*1
INFO:root:(你看看?)+
INFO:root:(你.+啥)+
INFO:root:(六六六|666)+
INFO:root:(磐|石|老|弟)+
INFO:root:end
INFO:root:录音中...

一共六次，前5次都可以识别并匹配到，第6次测试期待之外的，不响应。INFO为一般输出，DEBUG输出google服务识别到的结果（不是所有结果，第一条匹配则忽略后面识别的多条结果），WARNING输出响应的语音（因为没有录在文章里听不到，所以输出看看说了什么）

分析第一次和最后一次：

第一次，说你看看识别出来的第一条结果是{'transcript': '你看看', 'confidence': 0.97500253}，匹配第一条正则(你看看?){1}.*1失败，接着匹配第二条(你看看?)+成功，break正则，并break识别结果test['alternative']循环。之后语音输出你看看你看看，操不操心。

INFO:root:(你看看?){1}.*1
INFO:root:(你看看?)+
INFO:root:bingo....
WARNING:root:say: 你看看你看看，操不操心

最后一次，说哈哈哈共识别出来两条结果哈哈哈和哈哈哈哈,

{'transcript': '哈哈哈', 'confidence': 0.97387952}
{'transcript': '哈哈哈哈'}

各自尝试匹配所有正则均以失败告终

INFO:root:(你看看?){1}.*1
INFO:root:(你看看?)+
INFO:root:(你.+啥)+
INFO:root:(六六六|666)+
INFO:root:(磐|石|老|弟)+

没有bingo只有end，然后本次识别以未响应结束。

到这里 用不到60行代码 就实现了语音识别并响应的功能。（我不喜欢这样说XX行代码就实现了XXX功能，公众号里网络上各种关于Python文章充斥着这种标题，很令人反感。代码短是Python那些模块写得好，应该感谢的是各位前辈们，而不是沾沾自喜到起噱头标题并吸引一些浮躁的人前来。告诫自己。）

p.s. 写代码两个多小时，写文章大半天，从一团模糊的概念到语义化，也需得经过思考、组织、融合。有待改进的地方，还请多多指教。