【miscellaneous】使用Google语音识别引擎（Google Speech API）[3月5日修改]-白红宇

【miscellaneous】使用Google语音识别引擎（Google Speech API）[3月5日修改]

阅读量：5298 次

发布时间：2019-06-14

本文共 3918 字，大约阅读时间需要 13 分钟。

原文：http://blog.csdn.net/dlangu0393/article/details/7214728#comments

近期重写本文，暂时禁止评论。

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：

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：

Chromium在请求时还会拼上很多参数：

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：

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：

接下来祭出wget，对已经发现的接口进行：

[plain]
 flac.exe -8 -f --sample-rate=16000 speechInput.wav  

[plain]
 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：

[javascript]
 {  
     "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：

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：

[cpp]
 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:

AudioInput:

speechInput.h:

speechInput.cpp:

main:

mainwidget:

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

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

Accessing Google Speech API / Chrome 11

附：

1、SpeechInputError interface 错误信息

[cpp]
 // 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,  
 };  