SpeechRecognition可以支持多種模型語(yǔ)音轉(zhuǎn)文字，感覺vosk還不錯(cuò)，使用起來(lái)也簡(jiǎn)單一些；百度也有PaddleSpeech，但是安裝起來(lái)太麻煩，不是這個(gè)庫(kù)版本不對(duì)就是那個(gè)庫(kù)有問題，用起來(lái)不方便；

安裝SpeechRecognition庫(kù)：

pip install SpeechRecognition

安裝vosk庫(kù)：

pip install vosk

使用vosk庫(kù)還需要下載對(duì)應(yīng)的模型，去官網(wǎng)VOSK Models下載：

中文的有3個(gè)模型，模型小的運(yùn)行快，準(zhǔn)確度沒有大的好，選一個(gè)下載完zip解壓就行，代碼里配置目錄和模型，為了方便直接解壓到項(xiàng)目目錄里了：

另外需要wav語(yǔ)音測(cè)試文件，可以自己錄音或者去在線免費(fèi)文字轉(zhuǎn)語(yǔ)音 - TTSMaker官網(wǎng) | 馬克配音?制造點(diǎn)wav語(yǔ)音文件；

demo：

#!/usr/bin/env python3
# coding = utf-8
"""
# Project: workspace_py
# File: test_speech_recognition_vosk.py
# Author: FlyLikeButterfly
# Time: 2024/4/15 11:05
"""
import speech_recognition as sr
from vosk import Modelr = sr.Recognizer()
r.vosk_model = Model(model_path='vosk_models/vosk-model-small-cn-0.22', model_name='vosk-model-small-cn-0.22')
# r.vosk_model = Model(model_path='vosk_models/vosk-model-cn-0.22', model_name='vosk-model-cn-0.22')
# r.vosk_model = Model(model_path='vosk_models/vosk-model-cn-kaldi-multicn-0.15', model_name='vosk-model-cn-kaldi-multicn-0.15')
with sr.AudioFile('test_24000_16.wav') as source:audio = r.record(source)
result = r.recognize_vosk(audio, language='zh-cn')
print(result)

運(yùn)行結(jié)果：

返回結(jié)果是一個(gè)string字符串，可以用json轉(zhuǎn)一下：

?結(jié)果：

注意支持的文件只有3種格式：WAV/AIFF/FLAC，使用其他格式的會(huì)報(bào)錯(cuò)：

另外SpeechRecognition也可以直接使用麥克風(fēng)的錄音：

with sr.Microphone() as mic:audio = r.listen(mic, timeout=3, phrase_time_limit=3)
result = r.recognize_vosk(audio, language='zh-cn')
print(result)

但是這個(gè)還需要安裝pyaudio模塊；

這個(gè)SpeechRecognition似乎沒有直接提供讀取bytes音頻數(shù)據(jù)的接口，不過r.record方法和r.listen方法的返回值都是AudioData類，我們可以直接實(shí)例化AudioData給recognize_vosk()方法用，這個(gè)類的構(gòu)造方法解釋如下：

第一個(gè)參數(shù)，可以使用音頻的bytes數(shù)據(jù)，wav和pcm都可以；

第二個(gè)參數(shù)，是音頻的采樣率Hz，8000Hz、16000Hz等等；

第三個(gè)參數(shù)，是采樣位寬，單位是字節(jié)，16位采樣是2個(gè)字節(jié)，8位采樣是1字節(jié)，支持1-4；

測(cè)試代碼塊：

with open('test_24000_16.wav', 'rb') as wav_file:wav_data = wav_file.read()
wav_source = sr.AudioData(wav_data, 24000, 2)
wav_result = r.recognize_vosk(wav_source, language='zh-cn')
print(wav_result)with open('test_8000_16.pcm', 'rb') as pcm_file:pcm_data = pcm_file.read()
pcm_source = sr.AudioData(pcm_data, 8000, 2)
pcm_result = r.recognize_vosk(pcm_source, language='zh-cn')
print(pcm_result)

運(yùn)行結(jié)果：

只是這個(gè)庫(kù)好像沒有標(biāo)點(diǎn)恢復(fù)功能，百度的那個(gè)有標(biāo)點(diǎn)恢復(fù)；