Python語音識別API實現文字轉語音的幾種方法

    def textToAudio_Sougou(message, filePath):
        # https://ai.so    gou.com/doc/?url=/docs/content/tts/references/rest/ 
        '''
        curl -X POST 
             -H "Content-Type: application/json" 
             --data '{
          "appid": "xxx",
          "appkey": "xxx",
          "exp": "3600s"
        }' https://api.zhiyin.sogou.com/apis/auth/v1/create_token
        '''
 
        token = 'xxx'
        headers = { 
            'Authorization' : 'Bearer '+token,
            'Appid' : 'xxx',
            'Content-Type' : 'application/json',
            'appkey' : 'xxx',
            'secretkey' : 'xxx'
        }
        data = {
          'input': {
            'text': message
          },
          'config': {
            'audio_config': {
              'audio_encoding': 'LINEAR16',
              'pitch': 1.0,
              'volume': 1.0,
              'speaking_rate': 1.0
            },
            'voice_config': {
              'language_code': 'zh-cmn-Hans-CN',
              'speaker': 'female'
            }
          }
        }
        
        result = requests.post(url=url, headers=headers, data=json.dumps(data, ensure_ascii=False).encode('utf-8')).content
        with open(filePath, 'wb') as f:
            f.write(result)

import base64
import json
import os
import time
import shutil
import requests

class BaiduVoiceToTxt():
    # 初始化函數
    def __init__(self):
        # 定義要進行切割的pcm檔案的位置。speech-vad-demo固定好的，沒的選
        self.pcm_path = ".\speech-vad-demo\pcm\16k_1.pcm"
        # 定義pcm檔案被切割後，分割成的檔案輸出到的目錄。speech-vad-demo固定好的，沒的選
        self.output_pcm_path = ".\speech-vad-demo\output_pcm\"

    # 百度AI介面只接受pcm格式，所以需要轉換格式
    # 此函數用於將要識別的mp3檔案轉換成pcm格式，並輸出為.speech-vad-demopcm16k_1.pcm
    def change_file_format(self,filepath):
        file_name = filepath
        # 如果.speech-vad-demopcm16k_1.pcm檔案已存在，則先將其刪除
        if os.path.isfile(f"{self.pcm_path}"):
            os.remove(f"{self.pcm_path}")
        # 呼叫系統命令，將檔案轉換成pcm格式，並輸出為.speech-vad-demopcm16k_1.pcm
        change_file_format_command = f".\ffmpeg\bin\ffmpeg.exe -y  -i {file_name}  -acodec pcm_s16le -f s16le -ac 1 -ar 16000 {self.pcm_path}"
        os.system(change_file_format_command)

    # 百度AI介面最長只接受60秒的音視，所以需要切割
    # 此函數用於將.speech-vad-demopcm16k_1.pcm切割
    def devide_video(self):
        # 如果切割輸出目錄.speech-vad-demooutput_pcm已存在，那其中很可能已有檔案，先將其清空
        # 清空目錄的檔案是先刪除，再建立
        if os.path.isdir(f"{self.output_pcm_path}"):
            shutil.rmtree(f"{self.output_pcm_path}")
        time.sleep(1)
        os.mkdir(f"{self.output_pcm_path}")
        # vad-demo.exe使用相對路徑.pcm和.output_pcm，所以先要將當前工作目錄切換到.speech-vad-demo下不然vad-demo.exe找不到檔案
        os.chdir(".\speech-vad-demo\")
        # 直接執行.vad-demo.exe，其預設會將.pcm16k_1.pcm檔案切割並輸出到.output_pcm目錄下
        devide_video_command = ".\vad-demo.exe"
        os.system(devide_video_command)
        # 切換回工作目錄
        os.chdir("..\")

    # 此函數用於將.speech-vad-demooutput_pcm下的檔案的檔名的時間格式化成0:00:00,000形式
    def format_time(self, msecs):
        # 一個小時毫秒數
        hour_msecs = 60 * 60 * 1000
        # 一分鐘對應毫秒數
        minute_msecs = 60 * 1000
        # 一秒鐘對應毫秒數
        second_msecs = 1000
        # 檔名的時間是毫秒需要先轉成秒。+500是為了四捨五入，//是整除
        # msecs = (msecs + 500) // 1000
        # 小時
        hour = msecs // hour_msecs
        if hour < 10:
            hour = f"0{hour}"
        # 扣除小時後剩餘毫秒數
        hour_left_msecs = msecs % hour_msecs
        # 分鐘
        minute = hour_left_msecs // minute_msecs
        # 如果不足10分鐘那在其前補0湊成兩位數格式
        if minute < 10:
            minute = f"0{minute}"
        # 扣除分鐘後剩餘毫秒數
        minute_left_msecs = hour_left_msecs % minute_msecs
        # 秒
        second = minute_left_msecs // second_msecs
        # 如果秒數不足10秒，一樣在其前補0湊足兩位數格式
        if second < 10:
            second = f"0{second}"
        # 扣除秒後剩餘毫秒數
        second_left_msecs = minute_left_msecs % second_msecs
        # 如果不足10毫秒或100毫秒，在其前補0湊足三位數格式
        if second_left_msecs < 10:
            second_left_msecs = f"00{second_left_msecs}"
        elif second_left_msecs < 100:
            second_left_msecs = f"0{second_left_msecs}"
        # 格式化成00:00:00,000形式，並返回
        time_format = f"{hour}:{minute}:{second},{second_left_msecs}"
        return time_format

    # 此函數用於申請存取ai介面的access_token
    def get_access_token(self):
        # 此變數賦值成自己API Key的值
        client_id = 'f3wT23Otc8jXlDZ4HGtS4jfT'
        # 此變數賦值成自己Secret Key的值
        client_secret = 'YPPjW3E0VGPUOfZwhjNGVn7LTu3hwssj'
        auth_url = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=' + client_id + '&client_secret=' + client_secret

        response_at = requests.get(auth_url)
        # 以json格式讀取響應結果
        json_result = json.loads(response_at.text)
        # 獲取access_token
        access_token = json_result['access_token']
        return access_token

    # 此函數用於將.speech-vad-demooutput_pcm下的單個檔案由語音轉成檔案
    def transfer_voice_to_srt(self,access_token,filepath):
        # 百度語音識別介面
        url_voice_ident = "http://vop.baidu.com/server_api"
        # 介面規範，以json格式post資料
        headers = {
            'Content-Type': 'application/json'
        }
        # 開啟pcm檔案並讀取檔案內容
        pcm_obj = open(filepath,'rb')
        pcm_content_base64 = base64.b64encode(pcm_obj.read())
        pcm_obj.close()
        # 獲取pcm檔案大小
        pcm_content_len = os.path.getsize(filepath)

        # 介面規範，則體函義見官方檔案，值得注意的是cuid和speech兩個引數的寫法
        post_data = {
            "format": "pcm",
            "rate": 16000,
            "dev_pid": 1737,
            "channel": 1,
            "token": access_token,
            "cuid": "1111111111",
            "len": pcm_content_len,
            "speech": pcm_content_base64.decode(),
        }
        proxies = {
            'http':"127.0.0.1:8080"
        }
        # 呼叫介面，進行音文轉換
        response = requests.post(url_voice_ident, headers=headers, data=json.dumps(post_data))
        # response = requests.post(url_voice_ident,headers=headers,data=json.dumps(post_data),proxies=proxies)
        return response.text

if __name__ == "__main__":
    # 範例化
    baidu_voice_to_srt_obj = BaiduVoiceToTxt()
    # 自己要進行音文轉換的音視存放的資料夾
    video_dir = ".\video\"
    all_video_file =[]
    all_file = os.listdir(video_dir)
    subtitle_format = "{\fscx75\fscy75}"
    # 只接受.mp3格式檔案。因為其他格式沒研究怎麼轉成pcm才是符合介面要求的
    for filename in all_file:
        if ".mp3" in filename:
            all_video_file.append(filename)
    all_video_file.sort()
    i = 0
    video_file_num = len(all_video_file)
    print(f"當前共有{video_file_num}個音訊檔需要轉換，即將進行處理請稍等...")
    # 此層for迴圈是逐個mp3檔案進行處理
    for video_file_name in all_video_file:
        i += 1
        print(f"當前轉換{video_file_name}({i}/{video_file_num})")
        # 將音視翻譯成的內容輸出到同目錄下同名.txt檔案中
        video_file_srt_path = f".\video\{video_file_name[:-4]}.srt"
        # 以覆蓋形式開啟.txt檔案
        video_file_srt_obj = open(video_file_srt_path,'w+')

        filepath = os.path.join(video_dir, video_file_name)
        # 呼叫change_file_format將mp3轉成pcm格式
        baidu_voice_to_srt_obj.change_file_format(filepath)
        # 將轉換成的pcm檔案切割成多個小於60秒的pcm檔案
        baidu_voice_to_srt_obj.devide_video()
        # 獲取token
        access_token = baidu_voice_to_srt_obj.get_access_token()
        # 獲取.speech-vad-demooutput_pcm目錄下的檔案列表
        file_dir = baidu_voice_to_srt_obj.output_pcm_path
        all_pcm_file = os.listdir(file_dir)
        all_pcm_file.sort()
        j = 0
        pcm_file_num = len(all_pcm_file)
        print(f"當前所轉檔案{video_file_name}({i}/{video_file_num})被切分成{pcm_file_num}塊，即將逐塊進行音文轉換請稍等...")
        # 此層for是將.speech-vad-demooutput_pcm目錄下的所有檔案逐個進行音文轉換
        for filename in all_pcm_file:
            j += 1
            filepath = os.path.join(file_dir, filename)
            if (os.path.isfile(filepath)):
                # 獲取檔名上的時間
                time_str = filename[10:-6]
                time_str_dict = time_str.split("-")
                time_start_str = baidu_voice_to_srt_obj.format_time(int(time_str_dict[0]))
                time_end_str = baidu_voice_to_srt_obj.format_time(int(time_str_dict[1]))
                print(f"當前轉換{video_file_name}({i}/{video_file_num})-{time_start_str}-{time_end_str}({j}/{pcm_file_num})")
                response_text = baidu_voice_to_srt_obj.transfer_voice_to_srt(access_token, filepath)
                # 以json形式讀取返回結果
                json_result = json.loads(response_text)
                # 將音文轉換結果寫入.srt檔案
                video_file_srt_obj.writelines(f"{j}rn")
                video_file_srt_obj.writelines(f"{time_start_str} --> {time_end_str}rn")
                if json_result['err_no'] == 0:
                    print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})轉換成功：{json_result['result'][0]}")
                    video_file_srt_obj.writelines(f"{subtitle_format}{json_result['result'][0]}rn")
                elif json_result['err_no'] == 3301:
                    print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})音訊質量過差無法識別")
                    video_file_srt_obj.writelines(f"{subtitle_format}音訊質量過差無法識別rn")
                else:
                    print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})轉換過程遇到其他錯誤")
                    video_file_srt_obj.writelines(f"{subtitle_format}轉換過程遇到其他錯誤rn")
                video_file_srt_obj.writelines(f"rn")
        video_file_srt_obj.close()