[應用] 中文語音合成+語音辨識 以百度的AI開放平台 in Python 開發
語音技術介紹
語音合成 (Text-To-Speech) 和語音辨識 (Speech Recognition) 的技術存在數十年，不過近年來將這語音的技術應用在蘋果的Siri和亞馬遜的echo設備裡。對開發者而言，語音技術最麻煩的是各種語言、不特定人的字庫辭庫訓練，光要建立這龐大且精準的訓練庫就不是短時間能完成的。最近，發現百度(Baidu)提供中文語音合成和語音辨識的服務，網站如下：AI開放平台，裡面不只有語音技術服務，還有其他技術。調用百度各項技術的SDK，建立網路連結後，連上AI開放平台，便能取得合成的結果或者辨識的結果。另外，SDK也有提供各種程式語法的範例，如：Java、C++、C#、Python、Node.js ... 等等，以滿足各類程式開發者的需求。底下我以Python語法為例，開發一個中文語音合成+語音辨識的測試程式。
合成技術的開發
在語音合成的過程，我們輸入中文字，如果調用成功，百度平台會返回一個語音binary，這時我們再儲存成wave file或者mp3格式，然後撥放這個音檔。語音辨識的使用正好相反，我們必須提供一個wave file傳給百度平台，如果成功，它會返回辨識的結果。因此，在python開發時，我們需要能錄音和播放音檔的模組，稱為pyaudio，安裝這個模組的方式如下圖所示。安裝後，還需要安裝百度的模組，透過 pip 方式安裝，"pip install baidu-aip"。
 |
| 圖一：安裝 pyaudio 模組 |
使用百度的開放平台之前，需要註冊一個百度帳號，然後在這帳號裡創建一個應用，如圖二所示，在這應用裡面我們可自行選擇想要載入的技術。下圖的MySpeechTest是我所創建的一個語音應用，這個應用選用了百度的語音合成和語音識別。一旦創建，在這個欄位上會出現三個參數：AppID、API Key和Secret Key數值，之後調用SDK，我們需要使用這三個參數。
 |
| 圖二：註冊一個百度的應用連結 |
圖三是以python語法所開發的語音合成和語音識別，圖的右半邊為python源代碼，圖的左半邊為合成與測試辨識的結果，我分別將上傳百度並取得合成音檔所花費的時間記錄下來，還有上傳音檔並且辨識過程需要花多少時間也記錄下來。
 |
| 圖三：中文的語音合成和語音辨識的測試代碼 |
實現展示
底下的影片是測試的過程，隨機說出一段語音，再傳給百度平台識別，返回後將結果顯示出來。測試了三段語音，辨識的結果沒有出錯。
影片：程式測試的過程
移植到樹莓派
Python語言的好處就是方便移植到不同平台上面，上面測試的環境是Windows系統，同樣的程式碼也可以樹莓派 (Linux系統) 上面執行。在樹莓派上面，同樣要安裝 pyaudio 和 baidu-aip 模組，如下圖。
留言