语音比较
2013-06-19 10:04
169 查看
最近图片比较很热，于是想到了语音比较，即找出与你声音契合度最高的人。
翻了翻技术文档，发现这个方向难度很大，实现很困难。也难怪语音识别技术发展很久也仍然处于初级阶段。
发现一个通过网络请求去访问Google语音引擎的一个途径，未证实，网址如下：http://blog.csdn.net/dlangu0393/article/details/7214728
未防止原文删除，将其复制如下：
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：
[plain] view
plaincopyprint?
flac.exe -8 -f --sample-rate=16000 speechInput.wav
[plain] view
plaincopyprint?
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] view
plaincopyprint?
{
"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：
[cpp] view
plaincopyprint?
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
[cpp] view
plaincopyprint?
// 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！
37楼 flight9 2013-06-02 20:26发表 [回复]
为何我按你的方法，识别率超差啊，说“上午好”，返回“sina”，说“欢迎”返“日语”
Re: flight9 2013-06-02 20:43发表 [回复]
回复flight9：更正一下，说“你好”返“日语”，说“再见”返“漫画”
36楼 u010236042 2013-05-08 11:43发表 [回复]
楼主你好，你的这篇文章我觉得写的挺好，收录到我们的网站了，链接：http://www.mmihome.net/portal.php?mod=view&aid=212，欢迎交流，有问题请联系，谢谢。
35楼 kevinlico 2013-05-08 10:57发表 [回复]
亲爱的博主，看你的论文两天了。我发现了一个格式 amr，谷歌接口可以识别的。数据压缩非常小。效率很高。特别说明：我是在IOS平台上面实验的。
代码基本要点贴在下面：
1、AMR格式
请求Header：Content-Type: audio/amr; rate=16000
返回结果：识别成功
rate 8000 也可以。录制的过程中，注意对应就可以了。谢谢！
Re: lyfadd85 2013-05-24 11:18发表 [回复]
回复kevinlico：amr，果然可以。
34楼 s253425456 2013-04-28 15:55发表 [回复]
你好博主，感谢分享，
我在使用中遇到一个问题，我使用的是wav格式的音频，大小在35k左右，使用post上传时提示403错误。
如果我只post比较小的buffer（不是完整音频），可以post成功，识别失败（必然的），不知道之前的为什么post失败
33楼 lyfadd85 2013-04-23 19:36发表 [回复]
博主你好，请教你两个问题。1、本文中你试验的speex格式文件能成功识别，是否与录音获取的数据类型有关，我用audiorecord录音获取byte数组可以识别，但是如果是short数组却不能；2、speex格式能识别，请问你是如何获取数据，数据类型是否存在转换的过程能解释一下吗，因为语音识别需要考虑流量的问题，采用speex格式传输更合理，期待你的回复，谢谢。
32楼 LiMiRiver 2013-04-16 19:45发表 [回复]
楼主，问一个非常菜鸟的问题，我按照你的代码在Qt中运行，main文件总是出错，speechInput_audioFormat 没有声明，这个问题怎么解决啊？
Re: LiMiRiver 2013-04-16 21:44发表 [回复]
回复LiMiRiver：这个问题已经解决啦。。。但是博主你给的Protocol是头文件吗？在这个文件上编译总有错。
Re: LiMiRiver 2013-04-17 13:26发表 [回复]
回复LiMiRiver：额……原谅我吧楼主，请忽略以上白痴问题
31楼 jsjscool 2013-03-06 18:51发表 [回复]
博主还有一些细节没说到，看看这篇文章
http://php.oil58.com/?p=483
Re: redsky_luan 2013-04-06 21:17发表 [回复]
回复jsjscool：兄弟你好，FLAC格式或者WAV格式如何获得呢？之际读二进制文件么？
30楼 lehuoezu 2013-01-01 22:15发表 [回复]
我使用VB6.0做这个，一直到转换flac都做出来了，播放转换后的flac也正常，说明转换过程应该没有问题，但是在post过程中遇到了点困难，如何把flac在VB中post出去？我最初尝试用读取文本的方式读取flac，但读出来的只是一行英文，还有一堆空格，显然是无法识别的，我又试着用二进制方式读取，读取到一大长串数字，post出去，得到这个结果：
{"status":5,"id":"b22e49c6bd19020f56d6437a17db5f7b-1","hypotheses":[]}
目测应该还是flac没有被正确post出去。
能否提供一下正确的post出去的字符串应该是什么样子的？数字？还是英文字母？最好，提供一下VB中的例子，哈哈，谢谢啦~
Re: redsky_luan 2013-04-06 21:16发表 [回复]
回复lehuoezu：怎么样兄弟，问题解决了么？我也遇到同样的问题
29楼 yexiangCSDN 2012-12-24 13:34发表 [回复]
为什么 我得到的状态 都为 5呢？
28楼 wow_qs_zs 2012-12-23 16:33发表 [回复]
我很不解为什么 我的识别率这么低呢 楼主能给解答下吗代码在我的博客上。
27楼 汹涌的海 2012-11-20 17:17发表 [回复]
赞
26楼 qinshudong 2012-10-27 20:34发表 [回复]
不知道楼主在不在？？
想要一个VC++里面的 例子
自己写的 调试不出来
25楼 yylsheng 2012-10-08 15:53发表 [回复]
楼主，我要在WIN32平台下利用这个引擎，该如何写呢
24楼 alanlei22 2012-10-07 13:36发表 [回复]
dlangu0393楼主你好,
我用QT引用你的源碼
但是在Protocol.cpp出現錯誤
你能給一下Protocol.h所有的變量嗎
那一些replyCheck,Nt_SPEECH,contentCheck,checkJsonKeys我不知道你定義他們為什麼類形
還有jsonConvertableTo是什麼Class呢...
我的email:alanlei22@yahoo.com.hk
請大大給我一份Protocol.h的完整源碼
謝謝!
23楼 dlangu0393 2012-09-17 08:17发表 [回复]
引用“liuminch”的评论：Google也有个语音合成API，向这个接口发http://translate.google.com...
这个我已经跟这个识别一同实现了，不过我接收木有遇到问题哦
Re: 技术宅不是屌丝 2013-02-08 14:20发表 [回复]
回复dlangu0393：请问,我用Java调，设置中文后，接收一直不能成功，可以请教一下您的解决方案吗？
Re: 技术宅不是屌丝 2012-12-05 15:30发表 [回复]
回复dlangu0393：您好，我在使用JAVA调用Google语音合成API时，接受英文没有问题，但是无法成功接受中文，望请赐教！
22楼 ClamReason 2012-08-26 09:31发表 [回复]
想楼主回复的一些有用的问题，为什么不更新这个帖子，写到原帖中去呢，对我们这些后来的狠不方便啊
21楼 liuminch 2012-08-03 14:29发表 [回复]
Google也有个语音合成API，向这个接口发http://translate.google.com/translate_tts?tl=en&q=test content，将返回一个test content的mp3文件，也支持中文。不知楼主有没有兴趣搞？比这个容易搞多了，只是偶较愚钝，返回的mp3文件一直接收有问题。
20楼 loshamo 2012-07-31 16:28发表 [回复]
[java] view
plaincopyprint?
BufferedWriter w = new BufferedWriter(new FileWriter(outPutFilePath));
String content = null;
String result = "";
while ((content = breader.readLine()) != null) {
result += content + "\n";
}
w.write(result);
w.flush();
w.close();
return result;
Re: liuminch 2012-08-03 14:21发表 [回复]
回复loshamo：是不是你的采样率设置错了？rate=16000
19楼 loshamo 2012-07-31 16:27发表 [回复]
[java] view
plaincopyprint?
public String post(String filePath) throws Exception {
URL url = new URL(utl);
HttpURLConnection conn = (HttpURLConnection)url.openConnection();
conn.setDoOutput(true);
conn.setDoInput(true);
conn.setRequestMethod("POST");
conn.setRequestProperty("Content-Type", "audio/L16; rate=8000");
conn.setRequestProperty("user-agent","mozilla/5.0");
DataOutputStream writer = new DataOutputStream(conn
.getOutputStream());
FileInputStream input = new FileInputStream(new File(filePath));
byte[] buffer = new byte[256]; //必须用户自己创建一个buffer。
int read = input.read(buffer);
while (read != -1) // 判断文件读完的条件
{
writer.write(buffer,0,read);
read = input.read(buffer);
}
writer.flush();
writer.close();
input.close();
InputStreamReader reder = new InputStreamReader(conn.getInputStream(),
"utf-8");
BufferedReader breader = new BufferedReader(reder);
BufferedWriter w = new BufferedWriter(new FileWriter(outPutFilePath));
。。。
}
18楼 liuminch 2012-07-26 19:29发表 [回复]
哇，楼主，我用java写的wav格式成功了，专程来感谢的！只是confidence偏低啊，这个是不是confidence越高，识别时间越短啊？还有用flac格式是不是confidence都很高啊？
Re: wsw8612 2013-04-17 10:02发表 [回复]
回复liuminch：你好，我也在看这个，但一直搞不通，能否发个java的demo来学习一下！wufan8612@163.com
Re: loshamo 2012-07-31 15:10发表 [回复]
你的java版是怎么写的？ 我怎么搞不通呢，希望赐教。
Re: chen735250065 2012-10-18 10:52发表 [回复]
[java] view
plaincopyprint?
String url = "http://www.google.com/speech-api/v1" +
"/recognize?xjerr=1&client=chromium&lang=zh-cn";
URL postUrl = new URL(url);
HttpURLConnection connection = (HttpURLConnection)postUrl.openConnection();
connection.setRequestProperty("Content-Type","audio/x-flac; rate=16000");
connection.connect();
DataOutputStream outputStream = new DataOutputStream(connection.getOutputStream());
outputStream.write(readfileByYte("aaa.flac"));
这个是关键代码实现了flac格式但是wav格式有问题。请求大神解决
17楼 huaye 2012-07-25 09:49发表 [回复]
能否给个你测试过的wav或者flac文件上传地址，我下来测试下？
Re: huaye 2012-07-25 13:50发表 [回复]
回复huaye2007：搞定了，是
E:\MediaOutput\speechInput.wav
General
Complete name : E:\MediaOutput\speechInput.wav
Format : Wave
File size : 85.0 KiB
Audio #0
ID : 0
Format : PCM
Format settings, Endianness : Little
Codec ID : 1
Bit rate : 256 Kbps
Channel(s) : 1 channel
Sampling rate : 16.0 KHz
Bit depth : 16 bits
Stream size : 1.00 Byte (0%)
中Bit depth : 16 bits
而我这只有4或者8，结果都不行。改成16就可以了。
16楼 huaye 2012-07-25 09:48发表 [回复]
对上传文件大小有限制不？
我的老是返回消息：
{"status":5,"id":"39f4a7ae3a539ae1a797c041e122f4b3-1","hypotheses":[]}
Re: yexiangCSDN 2012-12-24 13:33发表 [回复]
为什么 我得到的状态 都为 5呢？
15楼 jplele 2012-07-11 10:56发表 [回复]
楼主有对比过讯飞和google的语音识别么？
14楼 Victor000000 2012-04-30 16:35发表 [回复]
能否给出protacol.h和protacol.cpp的完整代码？
Re: dlangu0393 2012-04-30 17:40发表 [回复]
回复Victor000000：不好意思这个没法给你，因为里面还有其他的很多东西。
Protocol头部中有用的信息如下：
[cpp] view
plaincopyprint?
class Protocol
{
public slots:
// 请求函数
void Request_SPEECH(QByteArray &);
private slots:
// 读取函数
void Read_SPEECH();
signals:
// 信号
void Signal_SPEECH(int result, QString responsemsg, double confidence);
};
另，在读取函数中应该使用：
[cpp] view
plaincopyprint?
<br>connect(Nt_SPEECH, SIGNAL(finished()), this, SLOT(Read_SPEECH()));<br>
而不是：
[cpp] view
plaincopyprint?
<br>connect(Nt_SPEECH, SIGNAL(readyRead()), this, SLOT(Read_SPEECH()));<br>
13楼 ABCDEFGA 2012-04-09 09:14发表 [回复]
厉害,最近我也在做这一块,可是主要是用JAVA的,用于毕业论文,想问下你有相关的资料与建议吗~?
Re: dlangu0393 2012-04-27 17:56发表 [回复]
回复hacktheworld：呵呵 不好意思，我并不是研究这个的，只不过是软件需要用到，所以才去找的。^_^
12楼 stoneforestwhu 2012-03-16 19:47发表 [回复]
wav 格式识别不准，flac非常准，下面是例子：
/wav格式（录音内容为“I have a dream”）
{"status":0,"id":"a01cd4f1efc9d433a1b0695e95011b40-1","hypotheses":[{"utterance":"rm","confidence":0.26077396}]}
/flac格式（录音内容为“I have a dream”）
{"status":0,"id":"e186ca8a3d98f461622dfa3662332fdc-1","hypotheses":[{"utterance":"i have a dream","confidence":0.87555957}]}
楼主可有好办法解决？
Re: dlangu0393 2012-04-27 17:55发表 [回复]
回复stoneforestwhu：这个我也没有办法了，没有在源码中找到其他更多的信息。
11楼 stoneforestwhu 2012-03-15 20:10发表 [回复]
我想问一下flac.exe -8 -f --sample-rate=16000 speechInput.wav 是WINdows下的指令，而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"是linux下使用的，表示不解。教程能否详细点，多谢！！！
Re: dlangu0393 2012-03-15 21:17发表 [回复]
回复stoneforestwhu：http://gnuwin32.sourceforge.net/packages/wget.htm
请在此下载wget for windows。
如果有不明白的地方请回复提问，我会尽力回答。
10楼 春城秋水 2012-03-12 13:18发表 [回复]
天呀，为啥我设置了zh-CN，能识别英语却识别不出中文呢？中文显示乱码。。。。。
Re: dlangu0393 2012-03-12 13:50发表 [回复]
回复Q951248：返回内容为UTF-8编码。请修改读取部分的代码。
9楼 forLoginAndLogin 2012-03-11 19:33发表 [回复]
楼主，你好。
你这片文章写得很好很详细。我有个问题解决不了，想请教楼主一下：
文中你提到google 这个api支持wav格式（就是改成audio/L16）,我试了很多次，都不成功（返回的status：4），而我把它转换成flac格式又成功了，请问一下这是什么原因呢？谢谢～～～
Re: dlangu0393 2012-03-11 22:02发表 [回复]
回复forLoginAndLogin：请注意一下rate（采样率）是否正确。
Re: dlangu0393 2012-03-11 21:56发表 [回复]
回复forLoginAndLogin：以下是我测试所使用的WAV文件信息：
E:\MediaOutput\speechInput.wav
General
Complete name : E:\MediaOutput\speechInput.wav
Format : Wave
File size : 85.0 KiB
Audio #0
ID : 0
Format : PCM
Format settings, Endianness : Little
Codec ID : 1
Bit rate : 256 Kbps
Channel(s) : 1 channel
Sampling rate : 16.0 KHz
Bit depth : 16 bits
Stream size : 1.00 Byte (0%)
wget测试命令：
E:\MediaOutput>wget -O "GoogleSpeechAPI.txt" --user-agent="Mozilla/5.0" --post-file=speechInput.wav --header="Content-Type: audio/L16; rate=16000" "http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1"
返回结果：
{"status":0,"id":"ca0c1b3b2c6f89d70ab1643a70599c0d-1","hypotheses":[{"utterance":"下午好","confidence":0.7916111}]}
Re: darou1000 2012-04-27 11:32发表 [回复]
回复dlangu0393：你好，请问你是用什么工具看到wav文件格式的？以及有没有什么工具可以把wav转换成speex
Re: dlangu0393 2012-04-27 17:55发表 [回复]
回复darou1000：我是从PotPlayer里拷贝的文件信息。
Speex请参看http://www.speex.org/
不过Speex在我这里测试成功率极低，甚至在64位系统下官方提供的编码器无法正常工作。
Re: darou1000 2012-05-02 14:28发表 [回复]
回复dlangu0393：非常感谢，我测试成功了，还想请教一下，是否可以在请求时发送语法定义呢？
8楼 春城秋水 2012-03-09 18:29发表 [回复]
我想问下，这个东西能应用到java写的系统么？
Re: dlangu0393 2012-03-09 20:42发表 [回复]
回复Q951248：当然可以哦，只要你用java实现就可以了。协议都是一样的。
Re: 春城秋水 2012-03-10 13:40发表 [回复]
回复dlangu0393：你好，我又多看了几遍，大概的过程已经知道，但是因为我不懂C和C++，只懂点java，但看样子应该是要网络编程，不知道java该如何实现的。。。
Re: 春城秋水 2012-03-10 10:45发表 [回复]
回复dlangu0393：你好，能否发一个完整的源代码例子给我看看呢？对于你说的这些感觉很散乱，我比较笨理不清思路........。邮箱：js.qiu@qq.com 谢谢啦！
7楼 Ostroff 2012-03-07 10:32发表 [回复]
LZ太强大了，我用WAV格式测试OK。我现在有个问题，就是这里的语言是中文普通话，lang=zh-CN，对吧，那设置用户读音为粤语和英语，lang参数应该为什么呢？
Re: dlangu0393 2012-03-07 12:49发表 [回复]
回复Ostroff：通用语言代号参考：http://msdn.microsoft.com/en-us/library/ms533052(v=vs.85).aspx
英语的话，请使用en-us。至于粤语，可以尝试一下zh-hk，不好意思不认识会粤语的朋友，没法测试是否可行。如果你测试可行的话，一定要来留言哦。
6楼 hill141592 2012-03-06 11:56发表 [回复]
十分感谢楼主分享！给了我非常大的帮助！非常给力！
然后我提醒下楼主，我在以audio/L16作为参数时候做测试的时候，wav文件中其实就是PCM格式的音频~
Re: dlangu0393 2012-03-06 12:49发表 [回复]
回复hill141592：我所测试的PCM是指原始的PCM数据（原始PCM数据应该用什么Content-Type我也不确定，只是从网上找到一个，从朋友那里拿到一个），而WAV是PCM数据加上头信息，两者还是有区别的。如果能直接传送PCM原始数据的话那就太方便了，从音频设备获取的数据都不用包装直接送往服务器就行了，虽然带宽上并不划算。
5楼 wb1989124 2012-03-05 21:40发表 [回复]
楼主你好，我最近要在linux上编一个语音自动应答模块，用C++，不知道要怎么运用到这个谷歌的语音识别引擎？不知道楼主能否给点意见和建议？
Re: dlangu0393 2012-03-05 21:45发表 [回复]
回复wb1989124：其实关键点在于那个请求地址以及POST的数据内容，在文章中已经给出了哦~（文笔不好大概不太好找）
至于实现，我使用的是Qt框架，示例代码也给出了哦。
其实这个接口的调用并没有什么难度，主要还是前端的一些处理，比如如何正确的截断音频输入（实例中只是简单地使用了定时器终止，后来使用了根据音频内容来终止，如果用户停止说话了，就自动截断）。
Re: wb1989124 2012-03-13 17:41发表 [回复]
回复dlangu0393：楼主能不能留个QQ？方便交流。
Re: wb1989124 2012-03-13 14:19发表 [回复]
回复dlangu0393：楼主，那我是不是要在linux环境下安装QT框架，然后在这个框架下按照这篇文章的例程，调用谷歌语音识别引擎？
Re: dlangu0393 2012-03-15 21:18发表 [回复]
回复wb1989124：本文着重介绍GoogleSpeechAPI，我只是使用Qt平台写了一个范例，并不一定非要用Qt平台。使用任何可以进行网络请求的语言和平台都可以。
4楼 Kevin_jiang2011 2012-02-27 22:27发表 [回复]
谢谢分享
3楼 kafeleung 2012-02-19 18:35发表 [回复]
你好，我对你的研究很感兴趣。但是有一些问题希望能请教一下：
1. 对于发送到google speech api的audioData是什么格式？
2.这个audioData好像是通过flac.exe对wav文件进行转换的，flac.exe这个是什么文件？哪里能找到？
谢谢你的分享。^_^
Re: dlangu0393 2012-02-19 21:46发表 [回复]
回复kafeleung：先从录制设备获取数据，然后使用flac或者speex进行编码，audioData即为编码后的数据。我的范例中使用的是flac编码，Header如下：
Content-Type: audio/x-flac; rate=16000
rate即采样率16kHz，经测试其他的rate同样可用，但一定要保证数据内容和Header一致，不然会出错。
flac.exe是FLAC编码器的binary，在
http://sourceforge.net/projects/flac/files/flac-win/
可以下载到。（本来想使用FLAC的库，结果遇到一些麻烦没有弄成功）
Re: kafeleung 2012-02-20 01:03发表 [回复]
回复dlangu0393：明白，谢谢。
2楼 waterman0405 2012-02-17 16:11发表 [回复] [引用] [举报]
谢谢楼主，不过话说你真是博学呀，这都能找到。
我找了一早上，终于找到想要的了，这还是多亏了你们这些大侠的帮助呀！3Q
Re: dlangu0393 2012-02-18 00:28发表 [回复] [引用] [举报]
回复waterman0405：博学什么的，不敢不敢…… 大家共同学习嘛！
1楼 waterman0405 2012-02-17 09:44发表 [回复]
楼主你好，我最近也要用到语音识别系统，但是我使用在android手机上的，我查找了google的voice actions，但是没有找到公开的API，想问下你有这方面的资料吗？谢谢
Re: dlangu0393 2012-02-17 12:41发表 [回复]
回复waterman0405：不好意思我还真没写过Android的应用，我看到了下面的这篇文章，不知道是否对你有用 :D
http://developer.android.com/resources/articles/speech-input.html
另外，如果android可以访问网络的话，本文描述的方法应该也是同样适用的。
翻了翻技术文档，发现这个方向难度很大，实现很困难。也难怪语音识别技术发展很久也仍然处于初级阶段。
发现一个通过网络请求去访问Google语音引擎的一个途径，未证实，网址如下：http://blog.csdn.net/dlangu0393/article/details/7214728
未防止原文删除，将其复制如下：
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：
[plain] view
plaincopyprint?
flac.exe -8 -f --sample-rate=16000 speechInput.wav
[plain] view
plaincopyprint?
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] view
plaincopyprint?
{
"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：
[cpp] view
plaincopyprint?
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
[cpp] view
plaincopyprint?
// 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！
37楼 flight9 2013-06-02 20:26发表 [回复]
为何我按你的方法，识别率超差啊，说“上午好”，返回“sina”，说“欢迎”返“日语”
Re: flight9 2013-06-02 20:43发表 [回复]
回复flight9：更正一下，说“你好”返“日语”，说“再见”返“漫画”
36楼 u010236042 2013-05-08 11:43发表 [回复]
楼主你好，你的这篇文章我觉得写的挺好，收录到我们的网站了，链接：http://www.mmihome.net/portal.php?mod=view&aid=212，欢迎交流，有问题请联系，谢谢。
35楼 kevinlico 2013-05-08 10:57发表 [回复]
亲爱的博主，看你的论文两天了。我发现了一个格式 amr，谷歌接口可以识别的。数据压缩非常小。效率很高。特别说明：我是在IOS平台上面实验的。
代码基本要点贴在下面：
1、AMR格式
请求Header：Content-Type: audio/amr; rate=16000
返回结果：识别成功
rate 8000 也可以。录制的过程中，注意对应就可以了。谢谢！
Re: lyfadd85 2013-05-24 11:18发表 [回复]
回复kevinlico：amr，果然可以。
34楼 s253425456 2013-04-28 15:55发表 [回复]
你好博主，感谢分享，
我在使用中遇到一个问题，我使用的是wav格式的音频，大小在35k左右，使用post上传时提示403错误。
如果我只post比较小的buffer（不是完整音频），可以post成功，识别失败（必然的），不知道之前的为什么post失败
33楼 lyfadd85 2013-04-23 19:36发表 [回复]
博主你好，请教你两个问题。1、本文中你试验的speex格式文件能成功识别，是否与录音获取的数据类型有关，我用audiorecord录音获取byte数组可以识别，但是如果是short数组却不能；2、speex格式能识别，请问你是如何获取数据，数据类型是否存在转换的过程能解释一下吗，因为语音识别需要考虑流量的问题，采用speex格式传输更合理，期待你的回复，谢谢。
32楼 LiMiRiver 2013-04-16 19:45发表 [回复]
楼主，问一个非常菜鸟的问题，我按照你的代码在Qt中运行，main文件总是出错，speechInput_audioFormat 没有声明，这个问题怎么解决啊？
Re: LiMiRiver 2013-04-16 21:44发表 [回复]
回复LiMiRiver：这个问题已经解决啦。。。但是博主你给的Protocol是头文件吗？在这个文件上编译总有错。
Re: LiMiRiver 2013-04-17 13:26发表 [回复]
回复LiMiRiver：额……原谅我吧楼主，请忽略以上白痴问题
31楼 jsjscool 2013-03-06 18:51发表 [回复]
博主还有一些细节没说到，看看这篇文章
http://php.oil58.com/?p=483
Re: redsky_luan 2013-04-06 21:17发表 [回复]
回复jsjscool：兄弟你好，FLAC格式或者WAV格式如何获得呢？之际读二进制文件么？
30楼 lehuoezu 2013-01-01 22:15发表 [回复]
我使用VB6.0做这个，一直到转换flac都做出来了，播放转换后的flac也正常，说明转换过程应该没有问题，但是在post过程中遇到了点困难，如何把flac在VB中post出去？我最初尝试用读取文本的方式读取flac，但读出来的只是一行英文，还有一堆空格，显然是无法识别的，我又试着用二进制方式读取，读取到一大长串数字，post出去，得到这个结果：
{"status":5,"id":"b22e49c6bd19020f56d6437a17db5f7b-1","hypotheses":[]}
目测应该还是flac没有被正确post出去。
能否提供一下正确的post出去的字符串应该是什么样子的？数字？还是英文字母？最好，提供一下VB中的例子，哈哈，谢谢啦~
Re: redsky_luan 2013-04-06 21:16发表 [回复]
回复lehuoezu：怎么样兄弟，问题解决了么？我也遇到同样的问题
29楼 yexiangCSDN 2012-12-24 13:34发表 [回复]
为什么 我得到的状态 都为 5呢？
28楼 wow_qs_zs 2012-12-23 16:33发表 [回复]
我很不解为什么 我的识别率这么低呢 楼主能给解答下吗代码在我的博客上。
27楼 汹涌的海 2012-11-20 17:17发表 [回复]
赞
26楼 qinshudong 2012-10-27 20:34发表 [回复]
不知道楼主在不在？？
想要一个VC++里面的 例子
自己写的 调试不出来
25楼 yylsheng 2012-10-08 15:53发表 [回复]
楼主，我要在WIN32平台下利用这个引擎，该如何写呢
24楼 alanlei22 2012-10-07 13:36发表 [回复]
dlangu0393楼主你好,
我用QT引用你的源碼
但是在Protocol.cpp出現錯誤
你能給一下Protocol.h所有的變量嗎
那一些replyCheck,Nt_SPEECH,contentCheck,checkJsonKeys我不知道你定義他們為什麼類形
還有jsonConvertableTo是什麼Class呢...
我的email:alanlei22@yahoo.com.hk
請大大給我一份Protocol.h的完整源碼
謝謝!
23楼 dlangu0393 2012-09-17 08:17发表 [回复]
引用“liuminch”的评论：Google也有个语音合成API，向这个接口发http://translate.google.com...
这个我已经跟这个识别一同实现了，不过我接收木有遇到问题哦
Re: 技术宅不是屌丝 2013-02-08 14:20发表 [回复]
回复dlangu0393：请问,我用Java调，设置中文后，接收一直不能成功，可以请教一下您的解决方案吗？
Re: 技术宅不是屌丝 2012-12-05 15:30发表 [回复]
回复dlangu0393：您好，我在使用JAVA调用Google语音合成API时，接受英文没有问题，但是无法成功接受中文，望请赐教！
22楼 ClamReason 2012-08-26 09:31发表 [回复]
想楼主回复的一些有用的问题，为什么不更新这个帖子，写到原帖中去呢，对我们这些后来的狠不方便啊
21楼 liuminch 2012-08-03 14:29发表 [回复]
Google也有个语音合成API，向这个接口发http://translate.google.com/translate_tts?tl=en&q=test content，将返回一个test content的mp3文件，也支持中文。不知楼主有没有兴趣搞？比这个容易搞多了，只是偶较愚钝，返回的mp3文件一直接收有问题。
20楼 loshamo 2012-07-31 16:28发表 [回复]
[java] view
plaincopyprint?
BufferedWriter w = new BufferedWriter(new FileWriter(outPutFilePath));
String content = null;
String result = "";
while ((content = breader.readLine()) != null) {
result += content + "\n";
}
w.write(result);
w.flush();
w.close();
return result;
Re: liuminch 2012-08-03 14:21发表 [回复]
回复loshamo：是不是你的采样率设置错了？rate=16000
19楼 loshamo 2012-07-31 16:27发表 [回复]
[java] view
plaincopyprint?
public String post(String filePath) throws Exception {
URL url = new URL(utl);
HttpURLConnection conn = (HttpURLConnection)url.openConnection();
conn.setDoOutput(true);
conn.setDoInput(true);
conn.setRequestMethod("POST");
conn.setRequestProperty("Content-Type", "audio/L16; rate=8000");
conn.setRequestProperty("user-agent","mozilla/5.0");
DataOutputStream writer = new DataOutputStream(conn
.getOutputStream());
FileInputStream input = new FileInputStream(new File(filePath));
byte[] buffer = new byte[256]; //必须用户自己创建一个buffer。
int read = input.read(buffer);
while (read != -1) // 判断文件读完的条件
{
writer.write(buffer,0,read);
read = input.read(buffer);
}
writer.flush();
writer.close();
input.close();
InputStreamReader reder = new InputStreamReader(conn.getInputStream(),
"utf-8");
BufferedReader breader = new BufferedReader(reder);
BufferedWriter w = new BufferedWriter(new FileWriter(outPutFilePath));
。。。
}
18楼 liuminch 2012-07-26 19:29发表 [回复]
哇，楼主，我用java写的wav格式成功了，专程来感谢的！只是confidence偏低啊，这个是不是confidence越高，识别时间越短啊？还有用flac格式是不是confidence都很高啊？
Re: wsw8612 2013-04-17 10:02发表 [回复]
回复liuminch：你好，我也在看这个，但一直搞不通，能否发个java的demo来学习一下！wufan8612@163.com
Re: loshamo 2012-07-31 15:10发表 [回复]
你的java版是怎么写的？ 我怎么搞不通呢，希望赐教。
Re: chen735250065 2012-10-18 10:52发表 [回复]
[java] view
plaincopyprint?
String url = "http://www.google.com/speech-api/v1" +
"/recognize?xjerr=1&client=chromium&lang=zh-cn";
URL postUrl = new URL(url);
HttpURLConnection connection = (HttpURLConnection)postUrl.openConnection();
connection.setRequestProperty("Content-Type","audio/x-flac; rate=16000");
connection.connect();
DataOutputStream outputStream = new DataOutputStream(connection.getOutputStream());
outputStream.write(readfileByYte("aaa.flac"));
这个是关键代码实现了flac格式但是wav格式有问题。请求大神解决
17楼 huaye 2012-07-25 09:49发表 [回复]
能否给个你测试过的wav或者flac文件上传地址，我下来测试下？
Re: huaye 2012-07-25 13:50发表 [回复]
回复huaye2007：搞定了，是
E:\MediaOutput\speechInput.wav
General
Complete name : E:\MediaOutput\speechInput.wav
Format : Wave
File size : 85.0 KiB
Audio #0
ID : 0
Format : PCM
Format settings, Endianness : Little
Codec ID : 1
Bit rate : 256 Kbps
Channel(s) : 1 channel
Sampling rate : 16.0 KHz
Bit depth : 16 bits
Stream size : 1.00 Byte (0%)
中Bit depth : 16 bits
而我这只有4或者8，结果都不行。改成16就可以了。
16楼 huaye 2012-07-25 09:48发表 [回复]
对上传文件大小有限制不？
我的老是返回消息：
{"status":5,"id":"39f4a7ae3a539ae1a797c041e122f4b3-1","hypotheses":[]}
Re: yexiangCSDN 2012-12-24 13:33发表 [回复]
为什么 我得到的状态 都为 5呢？
15楼 jplele 2012-07-11 10:56发表 [回复]
楼主有对比过讯飞和google的语音识别么？
14楼 Victor000000 2012-04-30 16:35发表 [回复]
能否给出protacol.h和protacol.cpp的完整代码？
Re: dlangu0393 2012-04-30 17:40发表 [回复]
回复Victor000000：不好意思这个没法给你，因为里面还有其他的很多东西。
Protocol头部中有用的信息如下：
[cpp] view
plaincopyprint?
class Protocol
{
public slots:
// 请求函数
void Request_SPEECH(QByteArray &);
private slots:
// 读取函数
void Read_SPEECH();
signals:
// 信号
void Signal_SPEECH(int result, QString responsemsg, double confidence);
};
另，在读取函数中应该使用：
[cpp] view
plaincopyprint?
<br>connect(Nt_SPEECH, SIGNAL(finished()), this, SLOT(Read_SPEECH()));<br>
而不是：
[cpp] view
plaincopyprint?
<br>connect(Nt_SPEECH, SIGNAL(readyRead()), this, SLOT(Read_SPEECH()));<br>
13楼 ABCDEFGA 2012-04-09 09:14发表 [回复]
厉害,最近我也在做这一块,可是主要是用JAVA的,用于毕业论文,想问下你有相关的资料与建议吗~?
Re: dlangu0393 2012-04-27 17:56发表 [回复]
回复hacktheworld：呵呵 不好意思，我并不是研究这个的，只不过是软件需要用到，所以才去找的。^_^
12楼 stoneforestwhu 2012-03-16 19:47发表 [回复]
wav 格式识别不准，flac非常准，下面是例子：
/wav格式（录音内容为“I have a dream”）
{"status":0,"id":"a01cd4f1efc9d433a1b0695e95011b40-1","hypotheses":[{"utterance":"rm","confidence":0.26077396}]}
/flac格式（录音内容为“I have a dream”）
{"status":0,"id":"e186ca8a3d98f461622dfa3662332fdc-1","hypotheses":[{"utterance":"i have a dream","confidence":0.87555957}]}
楼主可有好办法解决？
Re: dlangu0393 2012-04-27 17:55发表 [回复]
回复stoneforestwhu：这个我也没有办法了，没有在源码中找到其他更多的信息。
11楼 stoneforestwhu 2012-03-15 20:10发表 [回复]
我想问一下flac.exe -8 -f --sample-rate=16000 speechInput.wav 是WINdows下的指令，而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"是linux下使用的，表示不解。教程能否详细点，多谢！！！
Re: dlangu0393 2012-03-15 21:17发表 [回复]
回复stoneforestwhu：http://gnuwin32.sourceforge.net/packages/wget.htm
请在此下载wget for windows。
如果有不明白的地方请回复提问，我会尽力回答。
10楼 春城秋水 2012-03-12 13:18发表 [回复]
天呀，为啥我设置了zh-CN，能识别英语却识别不出中文呢？中文显示乱码。。。。。
Re: dlangu0393 2012-03-12 13:50发表 [回复]
回复Q951248：返回内容为UTF-8编码。请修改读取部分的代码。
9楼 forLoginAndLogin 2012-03-11 19:33发表 [回复]
楼主，你好。
你这片文章写得很好很详细。我有个问题解决不了，想请教楼主一下：
文中你提到google 这个api支持wav格式（就是改成audio/L16）,我试了很多次，都不成功（返回的status：4），而我把它转换成flac格式又成功了，请问一下这是什么原因呢？谢谢～～～
Re: dlangu0393 2012-03-11 22:02发表 [回复]
回复forLoginAndLogin：请注意一下rate（采样率）是否正确。
Re: dlangu0393 2012-03-11 21:56发表 [回复]
回复forLoginAndLogin：以下是我测试所使用的WAV文件信息：
E:\MediaOutput\speechInput.wav
General
Complete name : E:\MediaOutput\speechInput.wav
Format : Wave
File size : 85.0 KiB
Audio #0
ID : 0
Format : PCM
Format settings, Endianness : Little
Codec ID : 1
Bit rate : 256 Kbps
Channel(s) : 1 channel
Sampling rate : 16.0 KHz
Bit depth : 16 bits
Stream size : 1.00 Byte (0%)
wget测试命令：
E:\MediaOutput>wget -O "GoogleSpeechAPI.txt" --user-agent="Mozilla/5.0" --post-file=speechInput.wav --header="Content-Type: audio/L16; rate=16000" "http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1"
返回结果：
{"status":0,"id":"ca0c1b3b2c6f89d70ab1643a70599c0d-1","hypotheses":[{"utterance":"下午好","confidence":0.7916111}]}
Re: darou1000 2012-04-27 11:32发表 [回复]
回复dlangu0393：你好，请问你是用什么工具看到wav文件格式的？以及有没有什么工具可以把wav转换成speex
Re: dlangu0393 2012-04-27 17:55发表 [回复]
回复darou1000：我是从PotPlayer里拷贝的文件信息。
Speex请参看http://www.speex.org/
不过Speex在我这里测试成功率极低，甚至在64位系统下官方提供的编码器无法正常工作。
Re: darou1000 2012-05-02 14:28发表 [回复]
回复dlangu0393：非常感谢，我测试成功了，还想请教一下，是否可以在请求时发送语法定义呢？
8楼 春城秋水 2012-03-09 18:29发表 [回复]
我想问下，这个东西能应用到java写的系统么？
Re: dlangu0393 2012-03-09 20:42发表 [回复]
回复Q951248：当然可以哦，只要你用java实现就可以了。协议都是一样的。
Re: 春城秋水 2012-03-10 13:40发表 [回复]
回复dlangu0393：你好，我又多看了几遍，大概的过程已经知道，但是因为我不懂C和C++，只懂点java，但看样子应该是要网络编程，不知道java该如何实现的。。。
Re: 春城秋水 2012-03-10 10:45发表 [回复]
回复dlangu0393：你好，能否发一个完整的源代码例子给我看看呢？对于你说的这些感觉很散乱，我比较笨理不清思路........。邮箱：js.qiu@qq.com 谢谢啦！
7楼 Ostroff 2012-03-07 10:32发表 [回复]
LZ太强大了，我用WAV格式测试OK。我现在有个问题，就是这里的语言是中文普通话，lang=zh-CN，对吧，那设置用户读音为粤语和英语，lang参数应该为什么呢？
Re: dlangu0393 2012-03-07 12:49发表 [回复]
回复Ostroff：通用语言代号参考：http://msdn.microsoft.com/en-us/library/ms533052(v=vs.85).aspx
英语的话，请使用en-us。至于粤语，可以尝试一下zh-hk，不好意思不认识会粤语的朋友，没法测试是否可行。如果你测试可行的话，一定要来留言哦。
6楼 hill141592 2012-03-06 11:56发表 [回复]
十分感谢楼主分享！给了我非常大的帮助！非常给力！
然后我提醒下楼主，我在以audio/L16作为参数时候做测试的时候，wav文件中其实就是PCM格式的音频~
Re: dlangu0393 2012-03-06 12:49发表 [回复]
回复hill141592：我所测试的PCM是指原始的PCM数据（原始PCM数据应该用什么Content-Type我也不确定，只是从网上找到一个，从朋友那里拿到一个），而WAV是PCM数据加上头信息，两者还是有区别的。如果能直接传送PCM原始数据的话那就太方便了，从音频设备获取的数据都不用包装直接送往服务器就行了，虽然带宽上并不划算。
5楼 wb1989124 2012-03-05 21:40发表 [回复]
楼主你好，我最近要在linux上编一个语音自动应答模块，用C++，不知道要怎么运用到这个谷歌的语音识别引擎？不知道楼主能否给点意见和建议？
Re: dlangu0393 2012-03-05 21:45发表 [回复]
回复wb1989124：其实关键点在于那个请求地址以及POST的数据内容，在文章中已经给出了哦~（文笔不好大概不太好找）
至于实现，我使用的是Qt框架，示例代码也给出了哦。
其实这个接口的调用并没有什么难度，主要还是前端的一些处理，比如如何正确的截断音频输入（实例中只是简单地使用了定时器终止，后来使用了根据音频内容来终止，如果用户停止说话了，就自动截断）。
Re: wb1989124 2012-03-13 17:41发表 [回复]
回复dlangu0393：楼主能不能留个QQ？方便交流。
Re: wb1989124 2012-03-13 14:19发表 [回复]
回复dlangu0393：楼主，那我是不是要在linux环境下安装QT框架，然后在这个框架下按照这篇文章的例程，调用谷歌语音识别引擎？
Re: dlangu0393 2012-03-15 21:18发表 [回复]
回复wb1989124：本文着重介绍GoogleSpeechAPI，我只是使用Qt平台写了一个范例，并不一定非要用Qt平台。使用任何可以进行网络请求的语言和平台都可以。
4楼 Kevin_jiang2011 2012-02-27 22:27发表 [回复]
谢谢分享
3楼 kafeleung 2012-02-19 18:35发表 [回复]
你好，我对你的研究很感兴趣。但是有一些问题希望能请教一下：
1. 对于发送到google speech api的audioData是什么格式？
2.这个audioData好像是通过flac.exe对wav文件进行转换的，flac.exe这个是什么文件？哪里能找到？
谢谢你的分享。^_^
Re: dlangu0393 2012-02-19 21:46发表 [回复]
回复kafeleung：先从录制设备获取数据，然后使用flac或者speex进行编码，audioData即为编码后的数据。我的范例中使用的是flac编码，Header如下：
Content-Type: audio/x-flac; rate=16000
rate即采样率16kHz，经测试其他的rate同样可用，但一定要保证数据内容和Header一致，不然会出错。
flac.exe是FLAC编码器的binary，在
http://sourceforge.net/projects/flac/files/flac-win/
可以下载到。（本来想使用FLAC的库，结果遇到一些麻烦没有弄成功）
Re: kafeleung 2012-02-20 01:03发表 [回复]
回复dlangu0393：明白，谢谢。
2楼 waterman0405 2012-02-17 16:11发表 [回复] [引用] [举报]
谢谢楼主，不过话说你真是博学呀，这都能找到。
我找了一早上，终于找到想要的了，这还是多亏了你们这些大侠的帮助呀！3Q
Re: dlangu0393 2012-02-18 00:28发表 [回复] [引用] [举报]
回复waterman0405：博学什么的，不敢不敢…… 大家共同学习嘛！
1楼 waterman0405 2012-02-17 09:44发表 [回复]
楼主你好，我最近也要用到语音识别系统，但是我使用在android手机上的，我查找了google的voice actions，但是没有找到公开的API，想问下你有这方面的资料吗？谢谢
Re: dlangu0393 2012-02-17 12:41发表 [回复]
回复waterman0405：不好意思我还真没写过Android的应用，我看到了下面的这篇文章，不知道是否对你有用 :D
http://developer.android.com/resources/articles/speech-input.html
另外，如果android可以访问网络的话，本文描述的方法应该也是同样适用的。
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- 几个常见的语音交互平台的简介和比较
- 几个常见的语音交互平台的简介和比较
- LTE语音解决方案以及比较（3）
- 语音库比较
- P2P语音通信和一般VoIP通信质量比较
- 多人语音通讯混音算法比较和总结
- 高仿语音发送动画，按住闪烁，滑动跟随，删除翻转丢入垃圾桶，比较全的一个动画实例
- 目前音频(语音)编码器的比较
- 几个常见的语音交互平台的简介和比较
- Android文字转语音引擎（TTS）简单比较及下载
- 几个常见的语音交互平台的简介和比较
- 常见的语音交互平台的简介和比较
- 几个常见的语音交互平台的简介和比较
- 基于分组网络的语音连接技术CESoP与VoIP的比较
- [转]几个常见的语音交互平台的简介和比较
- p2p语音通信和一般voip通信质量比较
- 几个常见的语音交互平台的简介和比较
- 几个常见的语音交互平台的简介和比较
- 几个常见的语音交互平台的简介和比较
- 12本北美比较常用的机器学习/自然语言处理/语音处理经典书籍