当前位置：首页
> .html
导读： ? ? 最近在使用Qt编写一个客户端程序的时候需要增加语音识别输入的功能。起初尝试使用SAPI来完成这个任务，但是发现SAPI不仅使用起来超级复杂，而且识别效果也很惨烈...
? ? 最近在使用Qt编写一个客户端程序的时候需要增加语音识别输入的功能。起初尝试使用SAPI来完成这个任务，但是发现SAPI不仅使用起来超级复杂，而且识别效果也很惨烈。于是就需要寻找一个更加便捷优秀的方案。
? ? 自从Chrome 11开始，Chrome开始支持HTML5的语音输入API，QQ紧接着也推出了语音识别输入（可以看做跟风么:D)。显然这些识别操作不可能在本地完成，那么我们就有直接利用接口的可能。
对Chromium的repo进行搜索之后，终于找到了Chromium对语音识别的实现代码：
http://src.chromium.org/viewvc/chrome/trunk/src/content/browser/speech/
? ? 分析过程就算了，直接上成果。
Chromium先从mic获取音频，然后使用flac或者speex进行编码，直接通过HTTPS POST到服务器。接口地址如下：
? ??https://www.google.com/speech-api/v1/recognize
Chromium在请求时还会拼上很多参数：
? ??xjerr=1&client=chromium&lang=en-US&maxresults=1
注：参数解释
xjerr=1 ? ?# 不详，猜测为错误的标准
client=chromium ? ?# 客户端类型，这里是Chromium，猜测Chrome也应该可行，估计是作为统计用的。
lang=en-US ? ?# 语言类型，这里是英文，中文为zh-CN，其余语言代码参考：http://msdn.microsoft.com/en-us/library/ms533052(v=vs.85).aspx
maxresults=1 ? ?# 最大返回结果数量，多个结果在hypotheses列表中保存。
参数很明了，这给我们提供了很多便利。我们对参数进行调整，得到如下的接口地址：
? ??http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1
接下来祭出wget，对已经发现的接口进行测试：
- wget?-O?"GoogleSpeechAPI.txt"?--user-agent="Mozilla/5.0"?--post-file=test.flac?--header="Content-Type:?audio/x-flac;?rate=16000"?"http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1"
结果如下：
- {
- ????"status":0,????/?结果代码，详细见本文结尾?/
- ????"id":"c421dee91abe31d9b8457f2a80ebca91-1",????/?识别编号?/
- ????"hypotheses":????/?假设，即结果?/
- ????[
- ????????{
- ????????????"utterance":"下午好",????/?话语?/
- ????????????"confidence":0.2507637????/?信心，即准确度?/
- ????????}
- ????]
- }
? ??注：注释后为手工添加的结果解释
返回结果太明了了！直接就能拿来用了不是~ 返回的编码是UTF-8。
? ? 对于编码格式，在测试中使用了FLAC编码，采样率为16kHz，经测试其他采样率同样可用，但一定要保证Header里的rate与实际数据相符。（关于其他格式的实验请看本文底部。）
?
? ? 总结：
? ? 1、基本流程：
一、从音频输入设备获取原始数据。二、对原始数据进行包装、编码。三、将编码后的音频POST至接口地址。四、分析处理接口返回的JSON并得出结果。
? ? 2、请求接口
地址：http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1请求方式：HTTP POST头部信息：Content-Type: audio/x-flac; rate=16000 ? （注：Content-Type根据所使用的编码格式不同而不同，详见文章底部。rate为音频采样率。）请求数据：编码后的音频数据
? ? 3、音频编码格式：
FLAC或WAV或SPEEX
?
? ? 下面是我写的Qt(C++)中的请求：
- void?Protocol::Request_SPEECH(QByteArray?&?audioData)
- {
- ????if?(!Nt_SPEECH)
- ????{
- ????????QNetworkRequest?request;
- ????????QString?speechAPI?=?"http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1";
- ????????request.setUrl(speechAPI);
- ????????request.setRawHeader("User-Agent",?"Mozilla/5.0");
- ????????request.setRawHeader("Content-Type",?"audio/x-flac;?rate=16000");
- ????????Nt_SPEECH?=?NetworkMGR.post(request,?audioData);
- ????????connect(Nt_SPEECH,?SIGNAL(readyRead()),?this,?SLOT(Read_SPEECH()));
- ????}
- }
至于读取函数，就不贴在这里了，具体见：
Protocol:?http://pastebin.com/6G6wggfF
AudioInput:
speechInput.h:?http://pastebin.com/qdMPeWZD
speechInput.cpp:?http://pastebin.com/567B47qF
main:
mainwidget:?http://pastebin.com/c8bk7zd2
在翻阅Chromium源码的过程之中，还发现了其他有用的东西：
Speech Input API Specification?http://www.w3.org/2005/Incubator/htmlspeech/2010/10/google-api-draft.html
到目前为止，Google好像还没有公开这个API，使用许可依旧不详，请求也没有用到任何认证。但它确实能用，而且十分方便，对于编写非商业程序的人来说，这个东西真的是再好不过了（因为它有着高的爆表的识别率）。
参考：
Chromium?Repository? ??http://src.chromium.org/viewvc/chrome/trunk/src/content/browser/speech/
Accessing Google Speech API / Chrome 11 ? ?http://mikepultz.com/2011/03/accessing-google-speech-api-chrome-11/
附：
1、SpeechInputError interface 错误信息
- //?This?enumeration?follows?the?values?described?here:
- //?http://www.w3.org/2005/Incubator/htmlspeech/2010/10/google-api-draft.html#speech-input-error
- enum?SpeechInputError?{
- ??//?There?was?no?error.
- ??SPEECH_INPUT_ERROR_NONE?=?0,
- ??//?The?user?or?a?script?aborted?speech?input.
- ??SPEECH_INPUT_ERROR_ABORTED,
- ??//?There?was?an?error?with?recording?audio.
- ??SPEECH_INPUT_ERROR_AUDIO,
- ??//?There?was?a?network?error.
- ??SPEECH_INPUT_ERROR_NETWORK,
- ??//?No?speech?heard?before?timeout.
- ??SPEECH_INPUT_ERROR_NO_SPEECH,
- ??//?Speech?was?heard,?but?could?not?be?interpreted.
- ??SPEECH_INPUT_ERROR_NO_MATCH,
- ??//?There?was?an?error?in?the?speech?recognition?grammar.
- ??SPEECH_INPUT_ERROR_BAD_GRAMMAR,
- };
2、多种音频格式的测试
? ? 收到朋友的邮件说使用flac实在是很不方便，问我有没有更好的解决方法，于是我尝试将其他编码格式应用于Google Speech API。以下为结果：
1、WAV格式
请求Header：Content-Type: audio/L16; rate=16000
返回结果：识别成功
2、MP3格式
请求Header：Content-Type: audio/mpeg; rate=16000
返回结果：无法识别的编码
请求Header：Content-Type: audio/mpeg3; rate=16000
返回结果：无法识别的编码
请求Header：Content-Type: audio/x-mpeg; rate=16000
返回结果：无法识别的编码
请求Header：Content-Type: audio/x-mpeg-3; rate=16000
返回结果：无法识别的编码
请求Header：Content-Type: audio/mp3; rate=16000
返回结果：无法识别的编码
? ? 3、PCM格式
请求Header：Content-Type: audio/x-ogg-pcm; rate=16000
返回结果：无法识别的编码
请求Header：Content-Type: audio/pcm; rate=16000
返回结果：无法识别的编码
4、SPEEX格式
请求Header：Content-Type: audio/x-speex-with-header-byte; rate=16000
返回结果：识别成功
请求Header：Content-Type:?audio/speex; rate=16000
返回结果：识别成功
?
由于识别接口并不开放，所以无法得知具体的支持格式，如果哪位朋友发现了新的支持格式，请一定要留言哦！
相关文章
发表评论: