微信小程序语音识别服务搭建全过程解析(内附免费的供小程序语音识别的https服务)

前端之家收集整理的这篇文章主要介绍了微信小程序语音识别服务搭建全过程解析(内附免费的供小程序语音识别的https服务)前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

silk v3录音转olami语音识别和语义处理的api服务(ubuntu16.04服务器上实现)


重要的写在前面


重要事项一:
目前本文中提到的API已支持微信小程序录音文件格式:silk v3、webm/base64。
注:微信小程序开发工具上的录音虽然后辍名也是silk,但不是真正的silk v3格式的(打开xx.silk看头部是“data:audio/webm;base64,”开头的),为了便于调试,这类格式我今天加急给支持上了,所以:微信小程序开发工具也可以调用我的API调试了。

重要事项二:
想要用我这个API,务必先去cn.olami.ai申请appKey和appSecret,然后将appKey告知我,我加进支持列表方可调用,二者缺一不可。文末有将有调用此文提到的API服务的案例以及源码分享文章链接

调用案例:“遥知之”智能小秘,欢迎扫码体验:

重要事项三:
欢迎转载本文,没有什么别的要求,请保留:
原文链接http://www.jb51.cc/article/p-watigxis-bny.html
本文所有源码对应码云链接https://gitee.com/happycxz/silk2asr
本文所有源码对应github链接https://github.com/happycxz/silk2asr


为什么做?


前不久刚发布了一个智能生活信息查询的小助手“遥知之”,可惜只能手动输入来玩,这一点体验很不好,因为微信小程序录音是silk格式的,现在主要的语音识别接口都不支持

在网上搜了下相应的功能,也只有PHP做的开源代码实现的silk转wav的服务器代码,首先我不熟悉PHP,其次也不知道后期有没有维护,干脆自己做一个tomcat + java版的,权当学习娱乐一下。


怎么做?


准备环境

先需要有一个支持https的服务器,我目前用的服务器是阿里云秒杀的免费最低配置的服务器,预装的ubuntu16.04 LTS版,然后自己捣鼓一下,配置上了https,具体是用 Nginx + let’s encrypt + tomcat来提供的https的API。这里不详细介绍,感兴趣的自己研究下。

需要一个silk解码器,网上有一牛在2015年年初曾经发贴讨论过这个话题:silk v3 编码的音频怎么转换成 wav 或 mp3 之类的?

而且此牛后面有持续研究,提供了开源的silk_v3_decoder项目,具体见:kn007大牛的silk_v3_decoder

对了,开源项目是github上的,服务器上装个git,这不用额外再说明了吧。

搭建服务步骤

下载silk-v3-decoder

基本就是在服务器上找个目录,把大牛kn007的项目下载下来。

root@alijod:/home/jod/wechat_app# mkdir download
root@alijod:/home/jod/wechat_app# cd download/
root@alijod:/home/jod/wechat_app/download# git clone https://github.com/kn007/silk-v3-decoder.git
Cloning into 'silk-v3-decoder'...
remote: Counting objects: 634,done.
remote: Total 634 (delta 0),reused 0 (delta 0),pack-reused 634
Receiving objects: 100% (634/634),72.79 MiB | 9.50 MiB/s,done.
Resolving deltas: 100% (352/352),done.
Checking connectivity... done.
root@alijod:/home/jod/wechat_app/download# ll
total 12
drwxr-xr-x 3 root root 4096 Sep 18 10:11 ./
drwxr-xr-x 7 root root 4096 Sep 18 10:11 ../
drwxr-xr-x 5 root root 4096 Sep 18 10:11 silk-v3-decoder/
root@alijod:/home/jod/wechat_app/download# ls silk-v3-decoder/
converter_beta.sh  converter.sh  LICENSE  README.md  silk  windows

看上述目录,其实只用到了silk这个目录,和converter.sh这个脚本。silk目录中的C代码需要gcc编译,converter.sh脚本需要修改一下,后续都会提。

编译silk_v3_decoder

根据https://github.com/kn007/silk-v3-decoder上的README,用上这个工具,需要gcc和ffmpeg,gcc是在编译silk时执行make时用到的(普及一下小白),ffmpeg其实是脚本里要用的,与编译无关。事实是,ffmpeg在整个服务搭建过程确实不是必备的,后文将有针对这个额外说明,只是本人偷懒,暂时不想再深入研究了。

gcc的环境,如果没有安装,自己网搜吧,这里不扯了,直接进入正题:

root@alijod:/home/jod/wechat_app/download# cd silk-v3-decoder/silk/
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder/silk# ll
total 32
drwxr-xr-x 5 root root  4096 Sep 18 10:11 ./
drwxr-xr-x 5 root root  4096 Sep 18 10:11 ../
drwxr-xr-x 2 root root  4096 Sep 18 10:11 interface/
-rw-r--r-- 1 root root  3278 Sep 18 10:11 Makefile
drwxr-xr-x 2 root root 12288 Sep 18 10:11 src/
drwxr-xr-x 2 root root  4096 Sep 18 10:11 test/
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder/silk# make
…………
…………(这里是一大段编译过程日志)
…………
a - src/SKP_Silk_scale_vector.o
gcc -c -Wall -enable-threads -O3   -Iinterface -Isrc -Itest  -o test/Decoder.o test/Decoder.c
test/Decoder.c: In function ‘main’:
test/Decoder.c:187:9: warning: ignoring return value of ‘fread’,declared with attribute warn_unused_result [-Wunused-result]
         fread(header_buf,sizeof(char),1,bitInFile);
         ^
g++  -L./ test/Decoder.o -lSKP_SILK_SDK -o decoder
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder/silk# ls
decoder  interface  libSKP_SILK_SDK.a  Makefile  src  test
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder/silk# 

可以看到,上面编译过程中,最后出现了一个warning,不过没关系,ls查一下,第一个“decoder”就是我们要用的binary啦,有它就证明编译成功了。

测试silk_v3_decoder功能

接下来就要验证一下编出来的这个能不能用了。
根据https://github.com/kn007/silk-v3-decoder上的README,摘下来一段:

sh converter.sh silk_v3_file/input_folder output_format/output_folder flag(format)

比如转换一个文件,使用:

sh converter.sh 33921FF3774A773BB193B6FD4AD7C33E.slk mp3

注意:其中33921FF3774A773BB193B6FD4AD7C33E.slk是要转换的文件,而mp3是最终转换后输出的格式。

参考上面那个例子就好了,脚本参数只有两个,一个是源文件相对或绝对路径,另一个是目标格式。
也就是说上述命令会将33921FF3774A773BB193B6FD4AD7C33E.slk(注意,例子里是slk后辍,你自己在获取微信小程序录音重命名时如果是.silk,别疑惑了,linux环境文件后辍名是没有实际意义的,感兴趣自己网搜,to小白)转码成33921FF3774A773BB193B6FD4AD7C33E.mp3。

没有silk源文件?别急,我准备了个silk_v3录音文件,附带着转出来的mp3一起放在我服务器上了,需要的可以去下载(右击后另存即可,mp3可以在线播放,silk播放不了,直接单击会“403”):
微信小程序原始录音文件:sample.silk
converter.sh脚本转码后的文件:sample.mp3

附上我转码的操作过程:

root@alijod:/home/jod/wechat_app/download/silk-v3-decoder# ll
total 48
drwxr-xr-x 5 root root 4096 Sep 18 10:43 ./
drwxr-xr-x 3 root root 4096 Sep 18 10:11 ../
-rw-r--r-- 1 root root 4131 Sep 18 10:11 converter_beta.sh
-rw-r--r-- 1 root root 3639 Sep 18 10:11 converter.sh
drwxr-xr-x 8 root root 4096 Sep 18 10:11 .git/
-rw-r--r-- 1 root root 1076 Sep 18 10:11 LICENSE
-rw-r--r-- 1 root root 3582 Sep 18 10:11 README.md
-rw-r----- 1 root root 6188 Sep 18 10:43 sample.silk
drwxr-xr-x 5 root root 4096 Sep 18 10:26 silk/
drwxr-xr-x 3 root root 4096 Sep 18 10:11 windows/
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder# 
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder# 
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder# sh converter.sh sample.silk mp3
-e [OK] Convert sample.silk To sample.mp3 Finish.
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder# ll
total 68
drwxr-xr-x 5 root root  4096 Sep 18 10:43 ./
drwxr-xr-x 3 root root  4096 Sep 18 10:11 ../
-rw-r--r-- 1 root root  4131 Sep 18 10:11 converter_beta.sh
-rw-r--r-- 1 root root  3639 Sep 18 10:11 converter.sh
drwxr-xr-x 8 root root  4096 Sep 18 10:11 .git/
-rw-r--r-- 1 root root  1076 Sep 18 10:11 LICENSE
-rw-r--r-- 1 root root  3582 Sep 18 10:11 README.md
-rw-r--r-- 1 root root 17709 Sep 18 10:43 sample.mp3
-rw-r----- 1 root root  6188 Sep 18 10:43 sample.silk
drwxr-xr-x 5 root root  4096 Sep 18 10:26 silk/
drwxr-xr-x 3 root root  4096 Sep 18 10:11 windows/

关于converter.sh脚本

vim打开converter.sh脚本,显示一下行号(vim中输入”:set nu”后回车,我为小白操心不少),想要简单使用,其实只需要关注最后面这一段,如果想要深入研究,最好是把脚本完整过程搞懂。

61 
 62 $cur_dir/silk/decoder "$1" "$1.pcm" > /dev/null 2>&1
 63 if [ ! -f "$1.pcm" ]; then
 64         ffmpeg -y -i "$1" "${1%.*}.$2" > /dev/null 2>&1 &
 65         ffmpeg_pid=$!
 66         while kill -0 "$ffmpeg_pid"; do sleep 1; done > /dev/null 2>&1
 67         [ -f "${1%.*}.$2" ]&&echo -e "${GREEN}[OK]${RESET} Convert $1 to ${1%.*}.$2 success,${YELLOW}but not a silk v3 encoded file.${RESET}"&&exit
 68         echo -e "${YELLOW}[Warning]${RESET} Convert $1 false,maybe not a silk v3 encoded file."&&exit
 69 fi
 70 ffmpeg -y -f s16le -ar 24000 -ac 1 -i "$1.pcm" "${1%.*}.$2" > /dev/null 2>&1
 71 ffmpeg_pid=$!
 72 while kill -0 "$ffmpeg_pid"; do sleep 1; done > /dev/null 2>&1
 73 rm "$1.pcm"
 74 [ ! -f "${1%.*}.$2" ]&&echo -e "${YELLOW}[Warning]${RESET} Convert $1 false,maybe ffmpeg no format handler for $2."&&exit
 75 echo -e "${GREEN}[OK]${RESET} Convert $1 To ${1%.*}.$2 Finish."
 76 exit

其实关键的两行也就是Line 62和Line 70。第62行就是调用我们上文编出来的decoder解码silk_v3文件,第70行是将silk_v3文件解码出来的raw data数据转成相应格式。

这里额外说明一下我跟这两行的几个插曲:

插曲一:speex压缩

我做这个SILK语音识别服务的起初目的是让我的“遥知之”支持语音输入功能,“遥知之”上用的OLAMI接口也有语音识别,而且研究了一下他们的JAVA SDK和在线文档,从在线文档(OLAMI 文档中心->语音识别接口文档->“支持的音频格式”)上看是支持wav格式,另外支持speex压缩。

wav格式文件是很占空间的(相当于PCM原始采样数据未经压缩的,加了一个文件头),如下图所示(可能实际speex压缩的效果会更好一点):

如果将数据通过speex压缩,就只需要脚本中的第62行,就不用依赖ffmpeg去转码也可以直接省流量上传到OLAMI语音识别服务器了。这里就是为什么我前面说到,ffmpeg并不是此服务搭建中必备之原因。

如果通过speex会大大降低传输效率,于是期间我有花蛮长时间在研究如何将pcm数据转成speex的,比如怎么调用c代码实现的speex的编码(java下通过JNI调用speex的encoder,研究未果,放弃了这个方案),后来又找了jspeex(java版的speex codec)等等,后面因有另一个省事方案,这里用jspeex的方案就中断未深入研究了,其实应该是行的通的。

在QQ群(群号:656580961)里提了一下,热心的群主“黄眉毛”说olami java sdk里默认是将wav或pcm通过speex压缩传输的,这样一来,我只需要将wav或pcm对接olami java sdk就可以实现“省流量”传输到olami语音识别服务器了。这就是我最终采用的省事方案。

插曲二:采样率不适配

发现通过微信小程序端录音出来的silk v3文件,经过kn007的converter.sh转出来的wav文件,再送到olami语音识别接口,发现识别效果很糟,把wav文件拿出来听听,似乎也正常。

这时候想起来脚本中PCM转wav是按24K转的,转出来的WAV应该是24K的,而olami语音识别端支持的是16K(讯飞还支持8K的),可能是这个采样率不一致导致的识别率差,网搜了一下,还真有前人碰到过相同问题,参见此文文中提到的“误打误撞”那一段:从微信中提取语音文件,并转换成文字的全自动化解决方案 ,他的误打误撞的原理应该是小程序录音就是双通道12K的,然后ffmpeg额外指定一下参数将双通道12K的数据流转成16K的wav。

这下好了,离不开ffmpeg了,需要它帮着转采样率呀,speex压缩又不负责解决采样率转换的问题。

重要的事说三遍:在原始脚本的基础上,修改一下第70行:
重要的事说三遍:在原始脚本的基础上,修改一下第70行:
重要的事说三遍:在原始脚本的基础上,修改一下第70行:

ffmpeg -y -f s16le -ar 12000 -ac 2 -i "$1.pcm" -f wav -ar 16000 -ac 1 "${1%.*}.$2" > /dev/null 2>&1

插曲三:假silk真webm/base64格式

在使用微信小程序开发工具模拟手机做调试时,录音文件不能被silk和ffmpeg转,vim打开一看,头部是“data:audio/webm;base64,”。

由此引伸出一个现象:微信小程序的录音不全是silk v3格式,其中还有刚刚提到的webm/base64的,好像还有AMR格式的,听kn007大神说还有混淆格式,也就是那种一个文件含多种格式混合的,也不知道为什么会有这种情况。

关于webm/base64格式,kn007的回复是,base64 decoder然后直接ffmpeg转,于是我分两步实现:
第一步:用java代码做base64 decoder,再将文件写到 xxx.webm文件中,这部分简单,可参考微信小程序 录音文件格式silk 坑那样做即可。
第二步:再调用ffmpeg命令直接转码成wav,主要是调用一下下述转码命令转成16K的WAV:

ffmpeg -i "$1" -f wav -ar 16000 -ac 1 "${1%.*}.$2" > /dev/null 2>&1

其中调用ffmpeg命令容易出现失败,原因之一可能会是文件读写权限不足,原因之二可能会是调用ffmpeg后,需要等ffmpeg进程消失,即转码任务完成,才退出。 觉得我个人碰到的问题应该是原因之二导致的,因为我确实是将/usr/bin/ffmpeg设置成了777权限,还是会转失败,将调ffmpeg命令的部分在脚本中实现,并且加上kn007大神converter.sh中那样的等待ffmpeg完成的部分,就搞定了。

为了让脚本更通用,我将上述解决采样率不匹配的问题,修改后的脚本基础上,又添加了对webm格式的单独ffmpeg转码支持(通过判断传入第1个参数的后辍是否是webm来判断是不是直接ffmpeg转码然后exit,简单粗暴并且高效!)大概在脚本的上方添加下面这一段:

SOURCE_FILE_SUFFIX=${1##*.}
echo -e "XXXX SOURCE_FILE_SUFFIX:${SOURCE_FILE_SUFFIX}"
if [ "${SOURCE_FILE_SUFFIX}" = "webm" ]; then
        ## if webm,ffmpeg it directly. webm/base64 had been base64 decoder on my java server already.
        echo -e "begin to ffmpeg $2 from webm now..."
        ffmpeg -i "$1" -f wav -ar 16000 -ac 1 "${1%.*}.$2" > /dev/null 2>&1
        ##ffmpeg -i "$1" -f wav "${1%.*}.$2" > /dev/null 2>&1
        ffmpeg_pid=$!
        while kill -0 "$ffmpeg_pid"; do sleep 1; done > /dev/null 2>&1
        [ ! -f "${1%.*}.$2" ]&&echo -e "${YELLOW}[Warning]${RESET} Convert $1 false,maybe ffmpeg no format handler for $2."&&exit
        echo -e "${GREEN}[OK]${RESET} Convert $1 To ${1%.*}.$2 Finish."
        exit
else
        echo -e "begin to silk decoder flow..."
        ## if not webm,follows default silk decoder road.
fi

至此,converter_cxz.sh修改结束。

搭建web服务及主要代码说明

前面相当于评估可行性,基本验证了从小程序录音文件 xx.silk 到语音识别API能认的数据或文件格式,这条路走通了,接下来就是堆JAVA代码实现细节部分了。

创建sprinMVC工程

大概的工程目录结构如下:

com.happycxz.controller中有两个controller:
第1个,AdditionalController.java是用来查服务器状态和在线更新数据用的,可忽略。
第2个,OlamiController.java是对接微信小程序silk文件上传API接口的,代码如下:

package com.happycxz.controller;

import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.security.NoSuchAlgorithmException;
import java.util.Map;  

import javax.servlet.ServletException;  
import javax.servlet.http.HttpServletRequest;  
import javax.servlet.http.HttpServletResponse;  
import javax.servlet.http.Part;

import org.springframework.stereotype.Controller;  
import org.springframework.util.StringUtils;  
import org.springframework.web.bind.annotation.RequestMapping;  
import org.springframework.web.bind.annotation.RequestParam;  
import org.springframework.web.bind.annotation.ResponseBody;

import com.happycxz.olami.AsrAdditionInfo;
import com.happycxz.olami.OlamiEntityFactory;
import com.happycxz.olami.SdkEntity;
import com.happycxz.utils.Configuration;
import com.happycxz.utils.Util;
import com.sun.org.apache.xml.internal.security.utils.Base64;  

/** * olami与微信小程序 接口相关对接 * @author Jod */
@Controller  
@RequestMapping("/olami")  
public class OlamiController {

    //保存linux shell命令字符串
    private static final String SHELL_CMD = Configuration.getInstance().getValue("local.shell.cmd","sh /YOUR_PATH/silk-v3-decoder/converter_cxz.sh %s wav");

    //保存silk和wav文件的目录,放在web目录、或一个指定的绝对目录下 
    private static final String localFilePath = Configuration.getInstance().getValue("local.file.path","/YOUR/LOCAL/VOICE/PATH/");;  

    static {
        Util.p("OlamiController base SHELL_CMD:" + SHELL_CMD);
        Util.p("OlamiController base localFilePath:" + localFilePath);
    }

    @RequestMapping(value="/asr",produces="plain/text; charset=UTF-8")  
    public @ResponseBody String asrUploadFile(HttpServletRequest request,HttpServletResponse response,@RequestParam Map<String,Object> p)  
            throws ServletException,IOException {  

        AsrAdditionInfo additionInfo = new AsrAdditionInfo(p);
        if (additionInfo.getErrCode() != 0) {
            //参数不合法,或者appKey没有在支持列表中备录
            return Util.JsonResult(String.valueOf(additionInfo.getErrCode()),additionInfo.getErrMsg());  
        }

        String localPathToday = localFilePath + Util.getDateStr() + File.separator;
        // 如果文件存放路径不存在,则mkdir一个 
        File fileSaveDir = new File(localPathToday);  
        if (!fileSaveDir.exists()) {  
            fileSaveDir.mkdirs();  
        }

        int count = 1;
        String asrResult = "";
        for (Part part : request.getParts()) {  
            String fileName_origin = extractFileName(part);
            //这里必须要用原始文件名是否为空来判断,因为part列表是所有数据,前三个被formdata占了,对应文件名其实是空
            if(!StringUtils.isEmpty(fileName_origin)) {
                String fileName = additionInfo.getVoiceFileName();
                String silkFile = localPathToday + fileName;
                Util.p("silkFile[" + count + "]:" + silkFile);

                part.write(silkFile);

                if (webmBase64Decoder2Wav(silkFile)) {
                    // support webm/base64 in webmBase64Decoder2Wav();
                    // is webm base64 format,and xxxx.webm file is temporary created,xxxx.wav was last be converted.
                } else {
                    // run script to convert silk(v3) to wav
                    Util.RunShell2Wav(SHELL_CMD,silkFile);
                }

                // get wave file path and name,prepare for olami asr
                String waveFile = DotSilk2DotOther(silkFile,"wav");
                Util.p("OlamiController.asrUploadFile() waveFile:" + waveFile);

                if (new File(waveFile).exists() == false) {
                    Util.w("OlamiController.asrUploadFile() wav file[" + waveFile + "] not exist!",null);
                    return Util.JsonResult("80","convert silk to wav Failed,NOW NOT SUPPORT WXAPP DEVELOP RECORD because it is not silk_v3 format. anyother reason please tell QQ:404499164."); 
                }

                try {
                    SdkEntity entity = OlamiEntityFactory.createEntity(additionInfo.getAppKey(),additionInfo.getAppSecret(),additionInfo.getUserId());
                    asrResult = entity.getSpeechResult(waveFile);
                    Util.p("OlamiController.asrUploadFile() asrResult:" + asrResult);
                } catch (NoSuchAlgorithmException | InterruptedException e) {
                    Util.w("OlamiController.asrUploadFile() asr NoSuchAlgorithmException or InterruptedException",e);
                } catch (FileNotFoundException e) {
                    Util.w("OlamiController.asrUploadFile() asr FileNotFoundException",e);
                    return Util.JsonResult("80",NOW NOT SUPPORT WXAPP DEVELOP RECORD because it is not silk_v3 format. anyother reason please tell QQ:404499164."); 
                } catch (Exception e) {
                    Util.w("OlamiController.asrUploadFile() asr Exception",e);
                }
            }
            count++;
        }

        //防止数据传递乱码
        //response.setContentType("application/json;charset=UTF-8");

        return Util.JsonResult("0","olami asr success!",asrResult);  
    }  

    /** * 将 xxxxx.silk 文件名转 xxxx.wav * @param silkName * @param otherSubFix * @return */
    private static String DotSilk2DotOther(String silkName,String otherSubFix) {
        int removeByte = 4;
        if (silkName.endsWith("silk")) {
            removeByte = 4;
        } else if (silkName.endsWith("slk")) {
            removeByte = 3;
        }
        return silkName.substring(0,silkName.length()-removeByte) + otherSubFix;
    }

    /** * 从content-disposition头中获取文件名 * * content-disposition头的格式如下: * form-data; name="dataFile"; filename="PHOTO.JPG" * * @param part * @return */  
    @SuppressWarnings("unused")
    private String extractFileName(Part part) {  
        String contentDisp = part.getHeader("content-disposition");  
        String[] items = contentDisp.split(";");  
        for (String s : items) {  
            if (s.trim().startsWith("filename")) {  
                return s.substring(s.indexOf("=") + 2,s.length()-1);  
            }  
        }  
        return "";  
    }


    /** * 通过filePath内容判断是否是webm/base64格式,如果是,先decode base64后,再直接ffmpeg转wav, * 如果不是,返回false丢给外层继续当作silk v3去解 * @param filePath * @return */
    public static boolean webmBase64Decoder2Wav(String filePath) {
        boolean isWebm = false;
        try {
            String encoding = "utf-8";
            File file = new File(filePath);
            // 判断文件是否存在
            if ((file.isFile() == false) || (file.exists() == false)) {
                Util.w("webmBase64Decoder2Wav() no file[" + filePath + "] exist.",null);
            }

            StringBuilder lineTxt = new StringBuilder();
            String line = null;
            try (
            InputStreamReader read = new InputStreamReader(new FileInputStream(file),encoding);
            BufferedReader bufferedReader = new BufferedReader(read);) {
                while ((line = bufferedReader.readLine()) != null) {
                    lineTxt.append(line);
                }
                read.close();
            } catch (Exception e) {
                Util.w("webmBase64Decoder2Wav() exception0:",e);
                return isWebm;
            }

            String oldData = lineTxt.toString();
            if (oldData.startsWith("data:audio/webm;base64,") == false) {
                Util.d("webmBase64Decoder2Wav() file[" + filePath + "] is not webm,or already decoded." );
                return isWebm;
            }

            isWebm = true;
            oldData = oldData.replace("data:audio/webm;base64,","");
            String webmFileName = DotSilk2DotOther(filePath,"webm");
            try {

                File webmFile = new File(webmFileName);
                byte[] bt = Base64.decode(oldData);
                FileOutputStream in = new FileOutputStream(webmFile);
                try {
                    in.write(bt,0,bt.length);
                    in.close();
                } catch (IOException e) {
                    Util.w("webmBase64Decoder2Wav() exception1:",e);
                    return isWebm;
                }
            } catch (FileNotFoundException e) {
                Util.w("webmBase64Decoder2Wav() exception2:",e);
                return isWebm;
            }

            // run cmd to convert webm to wav
            Util.RunShell2Wav(SHELL_CMD,webmFileName);
        } catch (Exception e) {
            Util.w("webmBase64Decoder2Wav() exception3:",e);
            return isWebm;
        }

        return isWebm;
    }

    public static void main(String[] args) {
        webmBase64Decoder2Wav("D:\\secureCRT_RZSZ\\1505716415538_f7d98081-4d21-3b40-a7df-e56c046a784d_b4118cd178064b45b7c8f1242bcde31f.silk");
    }
}

利用springMVC的注解,很方便的实现API功能,主要看这个asrUploadFile方法,参数包括request和response之外,还有一个Map结构的p,这个p是用来接收formdata的,即上传录音文件时附带的信息。
我这里强制了必须上传appKey、appSecret以及userId,因为我是直接对接的olami开放平台的接口。

大概的流程是(懒的画流程图了,直接看上面代码,很容易看明白的):
1. 接收p中上传的appKey、appSecret以及userId这三个必选参数
2. 接收request中的Parts,获取原始silk格式文件及对应的上传文件
这里面其实是包括file和formdata的,这里还掉进一个坑过,想着不需要调用“extractFileName”来拿原始文件名,直接收以请求,随机生成一个文件名保存了得了,事实是,通过“extractFileName”拿文件名,当文件名为”“或null时,这时候是formdata,不是文件,强制保存成文件肯定就出问题了(调试时发现有些录音文件里只有一个很短的数字字母组成的字符串,就是这个原因)。
3. 将文件另取个名字保存到服务器指定目录
为什么要另存文件名:微信小程序上传的录音文件统一是wx-file.silk,不像小程序开发工具上录音那样文件随机生成
4. 这里有个额外判断第3步中保存的xxx.silk是不是webm/base64格式的,如果是,就直接base64 decoder后保存文件 xxx.webm,然后调用converter_cxz.sh将webm格式的文件转码成xxx.wav的,走完流程或异常都跳过下一步,直接到第6步。如果不是webm/base64格式的,返回false,继续走下一步。
5. 调用silk_v3_decoder中的脚本(这里是上文提到的修改之后的脚本,我给重命名converter_cxz.sh了)转xxx.wav
6. 通过原来的silk文件全路径,计算出wav文件全路径
7. 通过上一步得到的wav文件全路径,以及appKey、appSecret以及userId这三个参数,生成一个SdkEntity实体,调用getSpeechResult接口获取语音识别和语义处理的结果
8. 组织输出结果返回。

com.happycxz.olami中有四个文件
第1个,AsrAdditionInfo.java是用来检查https请求中formdata必选的三个参数是否都上传了,是否合法。
这里我额外做了个限制,除了在olami平台上申请的appKey和appSecret之外,appKey还要额外告知我,我在支持列表中加上才可以用,避免被攻击了大家都没法用,没办法,小窝带宽有限。

第2个,OlamiEntityFactory.java是做一个SdkEntity的缓存,如果formdata中上传的userId不一样,这个缓存就没用了:(

第3个,OlamiKeyManager.java是配合第一个文件做appKey限制管理的。

第4个,SdkEntity.java是对接olami接口的部分,主要是从olami java sdk sample代码中拷出来改改的。代码如下:

package com.happycxz.olami;


import java.io.IOException;
import java.security.NoSuchAlgorithmException;

import com.google.gson.Gson;
import com.happycxz.utils.Util;

import ai.olami.cloudService.APIConfiguration;
import ai.olami.cloudService.APIResponse;
import ai.olami.cloudService.CookieSet;
import ai.olami.cloudService.SpeechRecognizer;
import ai.olami.cloudService.SpeechResult;
import ai.olami.nli.NLIResult;
import ai.olami.util.GsonFactory;

public class SdkEntity {

    //indicate simplified input
    private static int localizeOption = APIConfiguration.LOCALIZE_OPTION_SIMPLIFIED_CHINESE;
    // * Replace the audio type you want to analyze with this variable.

    private static int audioType = SpeechRecognizer.AUdio_TYPE_PCM_WAVE;
    //private static int audioType = SpeechRecognizer.AUdio_TYPE_PCM_RAW;

    // * Replace FALSE with this variable if your test file is not final audio. 
    private static boolean isTheLastAudio = true;

    private APIConfiguration config = null;

    //configure text recognizer
    SpeechRecognizer recoginzer = null; 
    // * Prepare to send audio by a new task identifier.
    //CookieSet cookie = new CookieSet();

    // json string for print pretty
    private static Gson jsonDump = GsonFactory.getDebugGson(false);
    // normal json string
    private static Gson mGson = GsonFactory.getNormalGson();

    public SdkEntity(String appKey,String appSecret,String userId) {
        Util.d("new SdkEntity() start. appKey:" + appKey + ",appSecret: " + appSecret + ",userId: " + userId);
        try {
            config = new APIConfiguration(appKey,appSecret,localizeOption);
            recoginzer = new SpeechRecognizer(config);
            recoginzer.setEndUserIdentifier(userId);
            recoginzer.setTimeout(10000);
            recoginzer.setAudioType(audioType);
        } catch (Exception e) {
            Util.w("new SdkEntity() exception",e);
        }
        Util.d("new SdkEntity() done");
    }

    public String getSpeechResult(String inputFilePath) throws NoSuchAlgorithmException,IOException,InterruptedException {
        String lastResult = "";

        Util.d("SdkEntity.getSpeechResult() inputFilePath:" + inputFilePath);

        CookieSet cookie = new CookieSet();

        // * Start sending audio.
        APIResponse response = recoginzer.uploadAudio(cookie,inputFilePath,audioType,isTheLastAudio);
        //
        // You can also send audio data from a buffer (in bytes).
        //
        // For Example :
        // ===================================================================
        // byte[] audioBuffer = Files.readAllBytes(Paths.get(inputFilePath));
        // APIResponse response = recoginzer.uploadAudio(cookie,audioBuffer,isTheLastAudio);
        // ===================================================================
        //
        Util.d("\nOriginal Response : " + response.toString());
        Util.d("\n---------- dump ----------\n");
        Util.d(jsonDump.toJson(response));
        Util.d("\n--------------------------\n");

        //四种结果,full最完整,seg,nli,asr包括那一部分
        String full = "",seg = "",nli = "",asr = "";
        // Check request status.
        if (response.ok()) {
            // Now we can try to get recognition result.
            Util.d("\n[Get Speech Result] =====================");
            while (true) {
                Thread.sleep(500);
                // * Get result by the task identifier you used for audio upload.
                Util.d("\nRequest CookieSet[" + cookie.getUniqueID() + "] speech result...");
                response = recoginzer.requestRecognitionWithAll(cookie);
                Util.d("\nOriginal Response : " + response.toString());
                Util.d("\n---------- dump ----------\n");
                Util.d(jsonDump.toJson(response));
                Util.d("\n--------------------------\n");
                // Check request status.
                if (response.ok() && response.hasData()) {
                    full = mGson.toJson(response.getData());
                    // * Check to see if the recognition has been completed.
                    SpeechResult sttResult = response.getData().getSpeechResult();
                    if (sttResult.complete()) {
                        // * Get speech-to-text result
                        Util.p("* STT Result : " + sttResult.getResult());
                        asr = mGson.toJson(sttResult);
                        // * Check to see if the recognition has be
                        // Because we used requestRecognitionWithAll()
                        // So we should be able to get more results.
                        // --- Like the Word Segmentation.
                        if (response.getData().hasWordSegmentation()) {
                            String[] ws = response.getData().getWordSegmentation();
                            for (int i = 0; i < ws.length; i++) {
                                Util.d("* Word[" + i + "] " + ws[i]);
                            }
                            seg = response.getData().getWordSegmentationSingleString();
                        }
                        // --- Or the NLI results.
                        if (response.getData().hasNLIResults()) {
                            NLIResult[] nliResults = response.getData().getNLIResults();
                            nli = mGson.toJson(nliResults);
                        }
                        // * Done.
                        break;
                    } else {
                        // The recognition is still in progress.
                        // But we can still get immediate recognition results.
                        Util.d("* STT Result [Not yet completed] ");
                        Util.d(" --> " + sttResult.getResult());
                    }
                }
            }
        } else {
            // Error
            Util.w("* Error! Code : " + response.getErrorCode(),null);
            Util.w(response.getErrorMessage(),null);
        }

        lastResult = full;

        Util.d("\n===========================================\n");
        return lastResult;
    }

    public static void main(String[] args) throws NoSuchAlgorithmException,InterruptedException {
        Util.p("SdkEntity.main() start...");
        int argLen = args.length;

        Util.d("SdkEntity.main() args.length[" + argLen + "]:");
        for (String arg : args) {
            Util.d("SpeexPcm.main() arg[" + arg + "]");
        }

        new SdkEntity("b4118cd178064b45b7c8f1242bcde31f","7908028332a64e47b8336d71ad3ce9ab","abdd").getSpeechResult(args[0]);
        Util.p("SdkEntity.main() end...");
    }
}

com.happycxz.olami中有两个文件,是使用到的一些util、读配置文件、系统日志等部分。

另外WEB-INFO/lib中加载olami的java sdk,如图:

另外,额外附上一张olami-java-client-1.0.1-source.jar中关于默认采用speex压缩的源码部分:


怎么用


接口:
https://api.happycxz.com/test/silk2asr/olami/asr

formdata必选参数:

参数 是否必选 说明
appKey 从olami.cn上申请的key
appSecret 从olami.cn上申请的secret
userId 用户的唯一标识,比如手机号,或唯一性的ID,或IMEI号之类的

返回数据res.data就是olami开放平台返回结果完全一致,未经修改,具体参考他们在线文档:
olami开放平台的API接口返回数据格式

大概的是 seg字段是语音识别分段结果,asr是语音识别结果,nli是语义或语义处理的结果。小程序的开发工具上没法DEBUG,就没办法截一段例子说明了。

调用案例:“遥知之”智能小秘


欢迎扫码试用。这一版支持语音识别,博客还没来得及更新,稍后我会把相关代码在这个文章我的微信小程序支持语音识别啦!“遥知之”不再装聋”中分享出来,主要是分享一下微信小程序里如何上传SILK录音部分以及如何解析olami返回的语音识别和语义处理结果的代码


最后闲话


本文欢迎转载,原文链接http://www.jb51.cc/article/p-watigxis-bny.html

服务端工程的代码分享
本文所有源码对应码云链接https://gitee.com/happycxz/silk2asr
本文所有源码对应github链接https://github.com/happycxz/silk2asr

如果有不明白的都可以在本博客文章后面留言,也欢迎大家指正文中的理解或文字描述错误或不清楚的部分,我将及时更正,避免带人跳坑。

需要用这个接口的,appKey可以在这里留言或私信告诉我,我帮你加进我的白名单你才可以用。

原文链接:https://www.f2er.com/ubuntu/351252.html

猜你在找的Ubuntu相关文章