从文件中转录音频

将预先录制的音频文件转换为文本是语音识别中的一项基础任务。这个过程需要Python环境，它构成了许多应用的根基，例如转录访谈、为视频生成字幕或分析客户服务通话。我们将使用 SpeechRecognition 库，它为多个流行的ASR服务提供了方便的接口。

对于本次练习，你需要一个音频文件。WAV格式是理想的，因为它未经压缩且得到广泛支持，无需额外软件。如果你没有，可以轻松找到或创建一段包含清晰语句（例如“hello, this is a test”）的短WAV文件。将此文件保存在你存放Python脚本的同一目录下，并命名为 test-audio.wav。

转录流程

使用 SpeechRecognition 库转录音频文件的过程涉及几个不同的步骤。首先，你的脚本会初始化一个 Recognizer 对象。该对象随后会打开并读取音频文件，将其数据加载为库可以处理的格式。最后，这些音频数据被发送到一个外部ASR引擎，该引擎返回转录的文本。

使用Python脚本和ASR API转录音频文件的步骤图示。

编写转录脚本

让我们编写Python代码来实现这一点。创建一个名为 transcribe_file.py 的新文件，并添加以下代码。我们将逐一讲解脚本的每个部分。

import speech_recognition as sr

# 1. 初始化识别器
r = sr.Recognizer()

# 2. 定义音频文件路径
audio_file = "test-audio.wav"

# 3. 打开音频文件并处理
with sr.AudioFile(audio_file) as source:
    # 从文件中读取音频数据
    audio_data = r.record(source)

    # 4. 执行识别
    print("正在转录音频...")
    try:
        # 使用谷歌的免费网络语音API
        text = r.recognize_google(audio_data)
        print(f"转录结果: {text}")

    except sr.UnknownValueError:
        # API无法理解音频
        print("Google语音识别无法理解该音频。")

    except sr.RequestError as e:
        # API无法访问或无响应
        print(f"无法从Google语音识别服务请求结果; {e}")

理解代码

让我们将脚本分解为主要部分。

1. 初始化识别器

import speech_recognition as sr

r = sr.Recognizer()

首先，我们导入库，使用 sr 作为标准别名以保持代码简洁。然后，我们创建一个 Recognizer 类的实例。这个 r 对象是我们应用程序的核心部分。它负责处理音频输入并与ASR服务通信。

2. 打开音频文件

audio_file = "test-audio.wav"

with sr.AudioFile(audio_file) as source:
    # ... 处理文件的代码在此处 ...

在这里，我们指定音频文件的名称。然后，我们在 with 语句中使用 sr.AudioFile()。这是一种重要的实践，因为它会自动处理文件的打开和关闭，确保资源得到正确管理。这个 AudioFile 对象，我们称之为 source，代表我们已打开的音频文件。

3. 读取音频数据

audio_data = r.record(source)

在 with 代码块内部，我们调用 r.record(source)。这个方法接收 source 对象，读取音频文件的全部内容，并将其存储在一个 AudioData 对象中。现在，这个 audio_data 变量以识别器可以处理的格式保存着音频。

4. 执行识别并处理错误

try:
    text = r.recognize_google(audio_data)
    print(f"转录结果: {text}")

except sr.UnknownValueError:
    print("Google语音识别无法理解该音频。")

except sr.RequestError as e:
    print(f"无法从Google语音识别服务请求结果; {e}")

这就是实际转录发生的地方。因为我们通过网络向外部服务发送请求，所以可能会出现问题。音频可能嘈杂，服务可能停止运行，或者你的互联网连接可能失败。使用 try...except 块可以使我们的脚本更具韧性。

• r.recognize_google(audio_data): 这是完成工作的方法。它将 audio_data 发送到谷歌的网络语音API并等待响应。如果成功，它将转录的文本作为字符串返回。
• except sr.UnknownValueError: 当语音识别器无法理解所说内容时，会引发此错误。这可能发生在音频只有静默、包含太多背景噪音，或者语言不符合API预期的情况下。
• except sr.RequestError: 如果与API的网络连接出现问题，例如没有互联网访问或服务本身存在问题，则会发生此错误。

运行你的首次转录

要运行脚本，请保存它并从你的终端执行，确保 test-audio.wav 文件位于同一目录中。

python transcribe_file.py

如果一切正常，你应该看到类似于这样的输出：

Transcribing audio...
Transcription: hello this is a test

恭喜。你已成功编写了一个程序，可以将音频文件中的口语转换为文本。这个简单的脚本是一个有力的起点。在下一节中，我们将调整此代码以直接从你的麦克风处理实时音频输入。