当前位置：首页 > news >正文

调用百度api实现语音识别（python）

news 来源：原创 2025/5/8 21:24:47

该代码实现了一个企业级的语音识别解决方案，通过调用百度语音识别API，实现实时录音识别和对已有音频语音识别功能。

百度智能云：请自行访问百度智能云，开通免费的语音识别功能，获取API_KEY和SECRET_KEY。操作按照百度流程即可，可免费申请。

首先，配置下百度API和描述下错误代码信息。以下是音频相关具体参数：

采样率	16000 Hz	符合语音识别最佳实践
缓冲区大小	1024样本/块	平衡延迟与稳定性
最大录音时长	60秒	API限制
文件大小限制	10MB	内存安全阈值
线程超时	1000ms	防止僵尸线程
状态刷新频率	500ms	用户体验优化

# 百度API配置（替换为您自己的API信息）
API_KEY = "你的API_KEY"
SECRET_KEY = "你的SECRET_KEY"
AUTH_URL = "https://aip.baidubce.com/oauth/2.0/token"
ASR_URL = "https://vop.baidubce.com/pro_api"

# 错误代码映射
ERROR_CODES = {
    3300: '输入参数不正确',
    3301: '音频质量过差',
    3302: '音频鉴权失败',
    3303: '服务端请求失败',
    3304: '音频过长（超过60秒）',
    3305: '音频数据错误',
    3307: '识别结果解密失败',
    3308: '语音服务器系统错误',
    3309: '上传的音频没有有效数据',
    3310: '输入的音频文件过大',
    3311: '采样率参数错误',
    3312: '音频格式参数错误',
    3313: '语音服务器忙',
}

下面，进行‌窗口配置‌，设置窗口标题为 "百度语音识别工具"，定义窗口初始大小为 800x500 像素
‌状态初始化‌：is_recording: 录音状态标志（False 表示未在录音）；access_token: 存储百度API的访问令牌（初始为None）；audio: PyAudio实例，用于音频输入输出控制；recording_thread: 录音线程（用于后台录音）；temp_files: 临时录音文件存储列表。
‌音频参数‌：”FORMAT- 音频格式为16位PCM（pyaudio.paInt16）;CHANNELS- 单声道录音（1声道）;RATE- 采样率16000Hz（符合百度API要求）;CHUNK: 每次读取的音频块大小（1024样本）。

def __init__(self, root):
    self.root = root
    root.title("百度语音识别工具")
    root.geometry("800x500")
    
    # 初始化状态
    self.is_recording = False
    self.access_token = None
    self.audio = pyaudio.PyAudio()
    self.recording_thread = None
    self.temp_files = []
    
    # 音频参数
    self.FORMAT = pyaudio.paInt16
    self.CHANNELS = 1
    self.RATE = 16000
    self.CHUNK = 1024
    
    # 创建界面
    self.setup_ui()
    
    # 获取访问令牌
    self.get_access_token()

下面进行界面布局，使用 ttk.Frame 作为容器，标题为 "文件操作"，文本输入框 (ttk.Entry): 显示选择的文件路径，"浏览..." 按钮: 调用 select_file 方法打开文件对话框，"开始识别" 按钮: 调用 process_selected_file 处理文件。‌录音控制区‌：单个按钮 (record_btn)，初始文本为 "▶ 开始录音"
点击触发 toggle_recording 方法切换录音状态；‌结果展示区‌:tk.Text 组件支持文本换行 ,附加垂直滚动条 (ttk.Scrollbar)，与文本框联动。使用 StringVar 动态更新状态文本。

def setup_ui(self):
    """设置界面布局"""
    main_frame = ttk.Frame(self.root, padding=10)
    main_frame.pack(fill=tk.BOTH, expand=True)
    
    # 文件选择区域
    file_frame = ttk.LabelFrame(main_frame, text="文件操作", padding=10)
    file_frame.pack(fill=tk.X, pady=5)
    
    self.file_entry = ttk.Entry(file_frame, width=50)
    self.file_entry.pack(side=tk.LEFT, padx=5)
    
    ttk.Button(file_frame, text="浏览...", command=self.select_file).pack(side=tk.LEFT, padx=5)
    ttk.Button(file_frame, text="开始识别", command=self.process_selected_file).pack(side=tk.LEFT, padx=5)
    
    # 录音控制区域
    record_frame = ttk.LabelFrame(main_frame, text="实时录音", padding=10)
    record_frame.pack(fill=tk.X, pady=5)
    
    self.record_btn = ttk.Button(
        record_frame, 
        text="▶ 开始录音",
        command=self.toggle_recording
    )
    self.record_btn.pack(pady=5)
    
    # 结果显示区域
    result_frame = ttk.LabelFrame(main_frame, text="识别结果", padding=10)
    result_frame.pack(fill=tk.BOTH, expand=True)
    
    self.result_text = tk.Text(result_frame, wrap=tk.WORD)
    scrollbar = ttk.Scrollbar(result_frame, command=self.result_text.yview)
    self.result_text.configure(yscrollcommand=scrollbar.set)
    
    self.result_text.pack(side=tk.LEFT, fill=tk