调用百度SDK进行长语音识别

发表于 |

背景

项目中需要用到语音识别技术，之前百度的语音识别SDK只支持时长小于1分钟的语音，所以对于十几分钟的电影，笔者需要自己先进行断句，然后一句句送入百度SDK，这样既麻烦，而且句与句之间的连贯性不够好，经常会造成一些啼笑皆非的识别。

长语音识别

2018年1月，百度开放了长语音识别SDK，可以进行自动断句，目测是根据短时能量法（即停顿时间）完成的，对识别后的语句还会自动修改，应该引入了语言模型进行修正。笔者今天上午又进行了一番尝试，至于识别效果嘛，是比以前好一些，但依然不敢恭维，以下：
首先采用ffmpeg模块，将视频转化为wav音频文件；接着将文件转码为采样率16K或8K的PCM无损格式

1
2
ffmpeg -i $audiopath -f wav -vn ${audiobasename}".wav" # 提取视频中的音频文件
ffmpeg -y  -i $audiobasename".wav"  -acodec pcm_s16le -f s16le -ac 1 -ar 16000 16k-0.pcm # wav音频文件转PCM

接着去百度Ai开放平台，下载对应平台的SDK。解压后直接cd到sample/asr目录下， 运行build.sh(实际执行的是/src/main.cpp)，便可以识别样例中的一个PCM文件。
 
若要识别你自己的音频文件，需要首先接入百度AI服务，由于Access Token的有效期为30天，我们把鉴权请求机制写入build.sh中，这样每次调用SDK都会首先先执行鉴权。

1
2
3
4
#!/bin/bash
curl -i -k 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=xxxx&client_secret=xxxx'
# 'xxxx'的部分填入你在百度自己申请的id和key
make && echo && echo "build success, wait 3s to run"  && sleep 3 && ./main

之后修改main.cpp中的asr_set_config_params、asr_set_start_params两个参数，具体如下：

1
2
3
const std::string app_id = "xxxxx"; 填入你申请的ID
const std::string chunk_key = "xxxxxxx";
const std::string secret_key = "xxxxxxxx";

1
2
3
// 设置启动参数
void asr_set_start_params(bds::BDSSDKMessage& start_params) {
    const std::string app = "xxxxx"; # 填入你申请的任务名称

将之前转好的音频文件，命名为16k-0.pcm，放置于/asr/pcm路径下，重新执行build.sh，便可以在Terminal生成识别后的音频文件！
PS: 建议的环境是GCC、G++ 4.8.5，笔者在GCC 5.4.0也进行了测试，无法正确运行。

Textrank

Textrank是传统抽取文章摘要的方式，算法思想借鉴了网页排序的pagerank技术，这里我们采用Github中已开源的TextRank4ZH模块，安装及调用文档都比较详细，此处不再赘述。

Ref：

https://www.baidu.com/s?ie=UTF-8&wd=textrank4zh
http://ai.baidu.com/tech/speech/lsr