实时获取并转录麦克风输入

虽然从文件中转录音频很有用，但许多语音识别应用需要与用户即时交互。这涉及直接从麦克风捕获音频并立即处理。从静态文件转向实时音频流会带来新的考量，例如管理麦克风资源、检测一个人何时开始和停止说话，以及处理背景噪音。

学习如何编写一个Python脚本，通过麦克风监听声音，捕获言语，并将其近实时地转换为文本。

麦克风作为音频源

我们之前介绍的SpeechRecognition库可以与不同的音频源配合使用。在上一节中，你使用了音频文件作为源。现在，你将使用麦克风。为了访问麦克风，SpeechRecognition库依赖于另一个名为PyAudio的库。如果你按照设置说明进行操作，PyAudio应该已经安装在你的环境中。

实时识别过程包括几个不同的步骤：

1. 将麦克风作为音频源。
2. 监听一个短语。该库足够智能，会等待停顿，然后才认为短语完成。
3. 捕获说出的音频数据。
4. 将这些捕获的数据发送到识别引擎。
5. 处理转录的文本或发生的任何错误。

下图说明了此工作流程。

捕获和转录实时音频的过程，包括成功识别和处理错误的路径。

你的第一个实时转录脚本

我们来编写一个执行单次转录的程序。它会监听你说话，打印结果，然后退出。

首先，我们需要导入库并创建Recognizer类的一个实例，就像之前一样。

import speech_recognition as sr

# 创建一个识别器实例
r = sr.Recognizer()

接下来，我们访问麦克风。使用with语句是一种好的做法，它会在我们使用完毕后自动处理关闭麦克风资源。

import speech_recognition as sr

# 创建一个识别器实例
r = sr.Recognizer()

# 使用默认麦克风作为音频源
with sr.Microphone() as source:
    print("请说点什么！")
    # 监听第一个短语并将其提取为音频数据
    audio = r.listen(source)

try:
    # 使用Google语音识别来识别语音
    text = r.recognize_google(audio)
    print(f"你说的是: {text}")
except sr.UnknownValueError:
    # 当语音难以理解时会引发此错误
    print("Google语音识别无法理解音频")
except sr.RequestError as e:
    # 当出现网络相关问题时会引发此错误
    print(f"无法从Google语音识别服务请求结果; {e}")

当你运行这个脚本时，它会打印“请说点什么！”然后等待。r.listen(source)函数会主动监听麦克风。它会自动检测你何时开始说话和何时停止。一旦你停顿，它就会停止监听并将捕获的音频存储在audio变量中。

try...except块对于处理两个常见问题很重要：

• sr.UnknownValueError：如果识别器无法理解你的语音，就会出现此情况。也许声音太小，或者声音无法识别为单词。
• sr.RequestError：如果连接到识别服务的API出现问题，就会发生这种情况，例如互联网连接缺失或服务本身的问题。

处理背景噪音

语音识别的一个重要难题是区分语音和环境噪音。嘈杂的环境，例如有风扇的房间或背景有人说话，可能会让识别器感到困惑。它可能会将噪音误认为是语音，或者难以分离说话者的声音。

Recognizer类包含一个有用的方法adjust_for_ambient_noise()来缓解这个问题。此函数会短暂监听音频源（通常为一秒），以了解背景噪音的特征。然后它使用这些信息来设置一个合适的能量阈值，使其能更好地忽略噪音并检测实际语音。

你应在打开麦克风源之后、开始监听语音之前调用此方法一次。

我们来修改脚本以加入此改进。

import speech_recognition as sr

r = sr.Recognizer()

with sr.Microphone() as source:
    # 我们使用 adjust_for_ambient_noise 方法来处理噪音
    print("正在校准环境噪音，请稍候...")
    r.adjust_for_ambient_noise(source, duration=1)

    print("请说点什么！")
    audio = r.listen(source)

try:
    text = r.recognize_google(audio)
    print(f"你说的是: {text}")
except sr.UnknownValueError:
    print("Google语音识别无法理解音频")
except sr.RequestError as e:
    print(f"无法请求结果; {e}")

通过添加r.adjust_for_ambient_noise(source)，应用程序在典型环境中变得更可靠。如果你在一个特别不稳定的环境中，可以调整duration参数 (parameter)，但默认值通常就足够了。

创建一个持续监听循环

我们当前的脚本在一次说话后就会停止。为了构建一个更具交互性的应用程序，例如最终练习中的语音命令工具，程序需要持续监听。我们可以通过将监听逻辑放入while循环来实现这一点。

该循环将持续监听输入，尝试识别它，并打印结果。我们还可以添加一个特定的命令，例如“停止”，来中断循环并优雅地退出程序。

以下是持续监听器的完整脚本：

import speech_recognition as sr

def main():
    """
    在循环中监听语音并进行转录。
    """
    r = sr.Recognizer()

    with sr.Microphone() as source:
        # 在开始时校准一次环境噪音
        print("正在校准...")
        r.adjust_for_ambient_noise(source, duration=1)
        print("准备就绪，可以监听了。")

        while True:
            print("正在监听...")
            try:
                # 监听下一个短语
                audio = r.listen(source)

                # 识别语音
                text = r.recognize_google(audio)
                print(f"你说的是: {text}")

                # 添加退出循环的条件
                if "stop" in text.lower():
                    print("正在退出程序。")
                    break

            except sr.UnknownValueError:
                # 这不是错误，只是静音或难以理解的语音
                # 我们可以简单地继续监听。
                pass 
            except sr.RequestError as e:
                print(f"服务错误; {e}")
                # 如果服务不可用，我们可能需要停止。
                break

if __name__ == "__main__":
    main()

这种结构为交互式语音应用程序奠定了一个扎实的起点。程序首先校准房间的噪音水平。然后，它进入一个无限循环，监听、转录并打印文本。如果它无法理解音频（UnknownValueError），它会简单地忽略并再次监听。循环仅在出现网络错误或用户说出包含“停止”一词的短语时终止。

你现在拥有构建能够响应实时语音输入的应用程序的工具，你将在本章的最后练习中将其付诸实践。