Python语音识别实战：从基础到进阶（含完整代码）

一、语音识别技术概述

语音识别（Automatic Speech Recognition, ASR）是将人类语音转换为文本的技术，是人工智能领域的重要分支。现代语音识别系统通常由声学模型、语言模型和解码器三部分组成，通过深度学习算法（如RNN、CNN、Transformer）实现高精度识别。

Python生态中，SpeechRecognition库是最常用的语音识别工具包，支持多种后端引擎（如Google Web Speech API、CMU Sphinx、Microsoft Bing Voice Recognition等）。本文将重点基于该库展开实战教学，同时介绍音频处理、模型优化等进阶内容。

二、环境配置与依赖安装

2.1 系统要求

• Python 3.6+
• 麦克风设备（录音测试用）
• 安静环境（减少噪声干扰）

2.2 依赖库安装

pip install SpeechRecognition pyaudio numpy scipy

注：若使用CMU Sphinx引擎（离线识别），需额外安装：

pip install pocketsphinx

2.3 常见问题解决

• PyAudio安装失败：Windows用户需先下载PyAudio预编译包，Linux用户通过sudo apt-get install portaudio19-dev安装依赖。
• 麦克风权限：确保系统允许Python访问麦克风（Mac/Linux需检查/dev/audio权限）。

三、基础语音识别实现

3.1 使用Google Web Speech API（在线）

import speech_recognition as sr
# 创建识别器实例
recognizer = sr.Recognizer()
# 从麦克风获取音频
with sr.Microphone() as source:
    print("请说话...")
    audio = recognizer.listen(source, timeout=5)  # 5秒超时
try:
    # 使用Google API识别
    text = recognizer.recognize_google(audio, language='zh-CN')
    print(f"识别结果: {text}")
except sr.UnknownValueError:
    print("无法识别音频")
except sr.RequestError as e:
    print(f"请求错误: {e}")

关键参数说明：

• language：支持多种语言（如en-US、zh-CN）
• show_all：设置为True时返回所有可能结果（适用于模糊识别）

3.2 使用CMU Sphinx（离线）

recognizer = sr.Recognizer()
with sr.Microphone() as source:
    audio = recognizer.listen(source)
try:
    text = recognizer.recognize_sphinx(audio, language='zh-CN')
    print(f"识别结果: {text}")
except sr.UnknownValueError:
    print("无法识别音频")

适用场景：无网络环境或隐私敏感场景，但中文识别率低于在线API。

四、进阶功能实现

4.1 音频文件处理

def recognize_from_file(file_path):
    recognizer = sr.Recognizer()
    with sr.AudioFile(file_path) as source:
        audio = recognizer.record(source)
    try:
        # 优先使用Google API，失败后尝试Sphinx
        text = recognizer.recognize_google(audio, language='zh-CN')
        return text
    except sr.UnknownValueError:
        try:
            text = recognizer.recognize_sphinx(audio, language='zh-CN')
            return text
        except:
            return "识别失败"
# 示例调用
print(recognize_from_file("test.wav"))

4.2 噪声抑制与预处理

使用pydub和noisereduce库提升识别率：

from pydub import AudioSegment
import noisereduce as nr
import numpy as np
def preprocess_audio(file_path):
    # 加载音频文件
    audio = AudioSegment.from_file(file_path)
    samples = np.array(audio.get_array_of_samples())
    # 噪声抑制（需提前录制噪声样本）
    reduced_noise = nr.reduce_noise(
        y=samples, 
        sr=audio.frame_rate,
        stationary=False
    )
    # 保存处理后的音频
    processed_audio = AudioSegment(
        reduced_noise.tobytes(),
        frame_rate=audio.frame_rate,
        sample_width=audio.sample_width,
        channels=audio.channels
    )
    processed_audio.export("processed.wav", format="wav")
    return "processed.wav"

4.3 实时语音识别（流式处理）

import queue
def realtime_recognition():
    recognizer = sr.Recognizer()
    mic = sr.Microphone()
    print("开始实时识别（按Ctrl+C停止）...")
    with mic as source:
        recognizer.adjust_for_ambient_noise(source)  # 环境噪声适应
        stop_listening = recognizer.listen_in_background(source, queue.Queue())
        while True:
            try:
                audio = stop_listening.queue.get()
                text = recognizer.recognize_google(audio, language='zh-CN')
                print(f"识别结果: {text}")
            except queue.Empty:
                continue
            except sr.UnknownValueError:
                pass
# 示例调用（需在终端运行）
# realtime_recognition()

五、性能优化技巧

5.1 参数调优

• 采样率：16kHz是语音识别的最优采样率（过高增加计算量，过低丢失高频信息）
• 音频长度：单次识别音频建议控制在10秒内
• 语言模型：使用领域特定语料训练语言模型可提升专业术语识别率

5.2 错误处理策略

def robust_recognition(audio_data):
    recognizer = sr.Recognizer()
    results = []
    # 多引擎尝试
    engines = [
        ("Google", lambda a: recognizer.recognize_google(a, language='zh-CN')),
        ("Sphinx", lambda a: recognizer.recognize_sphinx(a, language='zh-CN')),
        # 可添加自定义引擎
    ]
    for name, func in engines:
        try:
            text = func(audio_data)
            results.append((name, text))
        except Exception as e:
            results.append((name, f"错误: {str(e)}"))
    return results

六、完整项目案例：语音笔记应用

6.1 功能需求

1. 录音并实时转换为文字
2. 支持保存为文本文件
3. 基础命令识别（如”保存”、”删除”）

6.2 代码实现

import os
import datetime
class VoiceNoteApp:
    def __init__(self):
        self.recognizer = sr.Recognizer()
        self.mic = sr.Microphone()
        self.commands = {
            "保存": ["保存", "存盘"],
            "删除": ["删除", "不要了"]
        }
    def recognize_command(self, text):
        for cmd, keywords in self.commands.items():
            if any(keyword in text for keyword in keywords):
                return cmd
        return None
    def run(self):
        print("语音笔记应用启动（说'保存'或'删除'执行操作）")
        buffer = []
        with self.mic as source:
            self.recognizer.adjust_for_ambient_noise(source)
            while True:
                print("\n请说话...")
                try:
                    audio = self.recognizer.listen(source, timeout=5)
                    text = self.recognizer.recognize_google(audio, language='zh-CN')
                    print(f"识别: {text}")
                    cmd = self.recognize_command(text)
                    if cmd == "保存":
                        timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M")
                        filename = f"notes_{timestamp}.txt"
                        with open(filename, "w", encoding="utf-8") as f:
                            f.write("\n".join(buffer + [text]))
                        print(f"已保存至 {filename}")
                        buffer = []
                    elif cmd == "删除":
                        buffer = []
                        print("已清空缓冲区")
                    else:
                        buffer.append(text)
                except sr.WaitTimeoutError:
                    continue
                except Exception as e:
                    print(f"错误: {e}")
# 启动应用
if __name__ == "__main__":
    app = VoiceNoteApp()
    app.run()

七、总结与展望

本文通过Python实现了从基础到进阶的语音识别功能，覆盖了在线/离线识别、音频预处理、实时流式处理等核心场景。实际开发中需注意：

1. 隐私合规：在线API需遵守数据传输规范
2. 性能权衡：离线方案牺牲精度换取独立性
3. 领域适配：专业场景需定制声学/语言模型

后续可探索的方向包括：

• 集成Whisper等开源模型提升精度
• 添加语音情感分析功能
• 开发Web/移动端跨平台应用

通过系统学习与实践，开发者可快速构建满足业务需求的语音识别系统，为智能客服、会议记录、无障碍交互等场景提供技术支撑。