在python中将大型wav文件转换为文本答案

【问题标题】：Convert large wav file to text in python在python中将大型wav文件转换为文本
【发布时间】：2019-09-19 07:46:39
【问题描述】：

我已经尝试使用此代码将我的大型 wav 文件转换为文本

import speech_recognition as sr
r = sr.Recognizer()

hellow=sr.AudioFile('hello_world.wav')
with hellow as source:
    audio = r.record(source)
try:
    s = r.recognize_google(audio)
    print("Text: "+s)
except Exception as e:
    print("Exception: "+str(e))

但它并没有准确地转换它，我觉得它是“美国”口音的原因。请告诉我如何准确地转换整个大 wav 文件。

【问题讨论】：

你可以使用项目plyer：github.com/kivy/plyer
互联网上有不同的模块和库，但我非常怀疑是否有一个可以“100％准确”转换，它可能价值数百万美元和数十篇博士论文。所以不要期望太多......
@bigdataolddriver 请至少建议哪个最好。
语音再殖民高度依赖于语言，best and open source speech recolonization sdk I know 之一。它适用于中文，可能不需要，因为您关心“美国口音”

标签： python speech-recognition speech-to-text

【解决方案1】：

谷歌的语音转文字很有效，试试下面的链接，

https://cloud.google.com/speech-to-text/

您可以选择语言（在您的情况下为美国英语）并上传文件。

就像@bigdataolddriver 评论的那样，100% 的准确性是不可能的，而且价值数百万。

Google 语音转文本具有三种类型的 API

同步、异步和流式传输，其中异步允许您进行约 480 分钟的音频转换，而其他只能让您约 1 分钟。以下是进行转换的示例代码。

filepath = "~/audio_wav/"     #Input audio file path
output_filepath = "~/Transcripts/" #Final transcript path
bucketname = "callsaudiofiles" #Name of the bucket created in the step before

# Import libraries
from pydub import AudioSegment
import io
import os
from google.cloud import speech
from google.cloud.speech import enums
from google.cloud.speech import types
import wave
from google.cloud import storage

语音转文本支持带有 LINEAR16 或 MULAW 编码音频的 wav 文件。

下面是用代码获取帧率和通道的代码。

def frame_rate_channel(audio_file_name):
    with wave.open(audio_file_name, "rb") as wave_file:
        frame_rate = wave_file.getframerate()
        channels = wave_file.getnchannels()
        return frame_rate,channels

下面的代码是异步转换的。

def google_transcribe(audio_file_name):

    file_name = filepath + audio_file_name

    # The name of the audio file to transcribe

    frame_rate, channels = frame_rate_channel(file_name)

    if channels > 1:
        stereo_to_mono(file_name)

    bucket_name = bucketname
    source_file_name = filepath + audio_file_name
    destination_blob_name = audio_file_name

    upload_blob(bucket_name, source_file_name, destination_blob_name)

    gcs_uri = 'gs://' + bucketname + '/' + audio_file_name
    transcript = ''

    client = speech.SpeechClient()
    audio = types.RecognitionAudio(uri=gcs_uri)

    config = types.RecognitionConfig(
    encoding=enums.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=frame_rate,
    language_code='en-US')

    # Detects speech in the audio file
    operation = client.long_running_recognize(config, audio)
    response = operation.result(timeout=10000)

    for result in response.results:
        transcript += result.alternatives[0].transcript

    delete_blob(bucket_name, destination_blob_name)
    return transcript

这就是你将它们写入文件的方式

def write_transcripts(transcript_filename,transcript):
    f= open(output_filepath + transcript_filename,"w+")
    f.write(transcript)
    f.close()

如果您需要任何进一步的说明，请告诉我。

【讨论】：