解决思路
长录音进行切分
录音转文字识别
录音文本加标点
环境搭建
安装paddlepaddle和paddleSpeech：
pip install paddlepaddle
pip install paddlespeech
PaddleSpeech 是基于飞桨 PaddlePaddle 的语音方向的开源模型库，用于语音和音频中的各种关键任务的开发，包含大量基于深度学习前沿和有影响力的模型，一些典型的应用如下：
声音分类
语音识别
语音翻译
语音合成
相关依赖如下：
gcc >= 4.8.5
paddlepaddle >= 2.3.1
python >= 3.7
linux(推荐), mac, windows
win必须安装Microsoft C++生成工具
命令行调用
语音分类
paddlespeech cls --input 1.mp3
一段python办公自动化抖音广告语，因为有背景音乐，所以判断为Music。
语音识别
这段广告语被完整识别出来，唯一的问题是不带标点符号。
语音翻译（英翻中）
paddlespeech asr --lang zh --input input_16k.wav
windows暂不支持，但是linux可以。
语音合成
paddlespeech tts --input "你好，欢迎关注电力数据新应用！" --output output.wav
API调用语音识别
from paddlespeech.cli.asr.infer import ASRExecutor
asr = ASRExecutor()
result = asr(audio_file="1.mp3")
print(result)
PaddleSpeech识别最长语音为50s，故需要切分。
代码实现
音频切分：
安装auditok库。
pip install auditok
引入需要的库。
from paddlespeech.cli.asr.infer import ASRExecutor
from paddlespeech.cli.text.infer import TextExecutor
import csv
import moviepy.editor as mp
import auditok
import os
import paddle
import soundfile
import librosa
import warnings
warnings.filterwarnings('ignore')
通过auditok.split来对音频进行切分，切分后新建目录：change/audio/文件名/，将文件存入该目录。
# 引入auditok库
import auditok
# 输入类别为audio
def qiefen(path, ty='audio', mmin_dur=1, mmax_dur=100000, mmax_silence=1, menergy_threshold=55):
audio_file = path
audio, audio_sample_rate = soundfile.read(
audio_file, dtype="int16", always_2d=True)
audio_regions = auditok.split(
audio_file,
min_dur=mmin_dur, # minimum duration of a valid audio event in seconds
max_dur=mmax_dur, # maximum duration of an event
# maximum duration of tolerated continuous silence within an event
max_silence=mmax_silence,
energy_threshold=menergy_threshold # threshold of detection
)
for i, r in enumerate(audio_regions):
# Regions returned by `split` have 'start' and 'end' metadata fields
print(
"Region {i}: {r.meta.start:.3f}s -- {r.meta.end:.3f}s".format(i=i, r=r))
epath = ''
file_pre = str(epath.join(audio_file.split('.')[0].split('/')[-1]))
mk = 'change'
if (os.path.exists(mk) == False):
os.mkdir(mk)
if (os.path.exists(mk + '/' + ty) == False):
os.mkdir(mk + '/' + ty)
if (os.path.exists(mk + '/' + ty + '/' + file_pre) == False):
os.mkdir(mk + '/' + ty + '/' + file_pre)
num = i
# 为了取前三位数字排序
s = '000000' + str(num)
file_save = mk + '/' + ty + '/' + file_pre + '/' + \
s[-3:] + '-' + '{meta.start:.3f}-{meta.end:.3f}' + '.wav'
filename = r.save(file_save)
print("region saved as: {}".format(filename))
return mk + '/' + ty + '/' + file_pre
qiefen("1.wav")
执行后qiefen("1.wav")后，可以把1.wav进行切分。
语音转文本：
遍历每一个文件，将它们分别送入ASRExecutor进行识别，所有识别文本集中保存到列表words里，最终写入result.csv文件。
# 语音转文本
asr_executor = ASRExecutor()
def audio2txt(path):
# 返回path下所有文件构成的一个list列表
print(f"path: {path}")
filelist = os.listdir(path)
# 保证读取按照文件的顺序
filelist.sort(key=lambda x: int(os.path.splitext(x)[0][:3]))
# 遍历输出每一个文件的名字和类型
words = []
for file in filelist:
print(path + '/' + file)
text = asr_executor(
audio_file=path + '/' + file,
device=paddle.get_device(), force_yes=True) # force_yes参数需要注意
words.append(text)
return words
# 保存
import csv
def txt2csv(txt_all):
with open('result.csv', 'w', encoding='utf-8') as f:
f_csv = csv.writer(f)
for row in txt_all:
f_csv.writerow([row])
# 可替换成自身的录音文件
source_path = '录音.wav'
# 划分音频
path = qiefen(path=source_path, ty='audio',
mmin_dur=0.5, mmax_dur=100000, mmax_silence=0.5, menergy_threshold=55)
# 音频转文本 需要GPU
txt_all = audio2txt(path)
# 存入csv
txt2csv(txt_all)
标点符号修正：
将result.csv文件读入，拼成完整的段落，利用TextExecutor进行标点符号修正，最终将修正结果存入final_result.txt文件。
# 拿到新生成的音频的路径
texts = ''
source_path = 'result.csv'
with open(source_path, 'r') as f:
text = f.readlines()
for i in range(len(text)):
text[i] = text[i].replace('\n', '')
texts = texts + text[i]
print(texts)
text_executor = TextExecutor()
if text:
result = text_executor(
text=texts,
task='punc',
model='ernie_linear_p3_wudao',
device=paddle.get_device(),
# force_yes=True
)
print(result)
with open("final_result.txt", 'w') as f:
f.writelines(result)