背景：想做智能硬件，语音识别成文字，再解析做相关操作是一个重要的点功能，国内就没有一个厂商像google一样提供一个web的协议进行翻译么？能不能更开放点，把这点能力给开放出来，毕竟如果哪家小公司去做这一块成本相当的高，有讯飞一家，还有没有更勇于开放的呢？呵呵,;webchat，只能在微信里用。
前一段写了一个语音识别的帖子， 当时还不成熟
现在比以前懂得多了一些， 跟大家来分享
所需设备： 带麦克风的usb摄像头，树莓派一个，互联网
首先安装软件
apt-get install arecord ffmpeg omxplayer
语音识别大致分成3各部分，
第一步录音
arecord -D "plughw:1,0" -d 5 file.wav
解释一下 -D这个参数的意思就选择设备， 外部设备就是plughw:1,0 内部设备就是plughw:0,0， 树莓派本身并没有录音模块，故没有内部设备。 -d 5 的意思就是录制时间为5秒， 如果不加这个参数就是一直录音直到ctrol+C停止， 最后生成的文件名字叫做file.wav
检验方式， 我们戴上耳机听一下我们录制的声音 omxplayer -o local file.wav
解释omxplayer是播放器， 无图形界面
-o 是选择从哪里播放，是通过hdmi输出， 还是本地的耳机口放出来， 我们插得是树莓派自带的耳机口， 故选择local
最后是跟上声音文件， 就能听到我们的录音了
第二步 转换格式
我们打算上传到google做翻译， google只认flac格式， 所以我们要做转化， 把wav转换为flac格式
ffmpeg -i file.wav -ar 16000 -acodec flac file.flac
解释一下：-i 是指定输入的语音文件 -ar是指定波特率 为16000 -acodec是指定输出格式为flac, 最后接上输出文件的文件名即可， 当然是以flac为后缀的文件名， 最好是 file.flac
检验方式， 我们戴上耳机听一下我们录制的声音 omxplayer -o local file.flac
同样我们可以再次听到我们录制好的转过格式的声音文件
第三步上传网站获取翻译
wget -q -U "Mozilla/5.0" --post-file file.flac --header "Content-Type: audio/x-flac; rate=16000" -O - "[color=blue !important]http://www.google.com/speech-api/v1/recognize?lang=zh-cn&client=chromium"
对于这句简单的解释下
wget命令上传file.flac文件到google,并下载回对应的解释文件， 这个是中文的语音识别，如果是英文的语音识别改成en-us即可
最后预祝大家语音翻译玩的愉快
—————————————————————————google被墙，看下国内的—————————————————————————————
树莓派之会说话的机器人-科大讯飞语音SDK ：
本人一直想做一种可以和人对话的智能机器人，这样小孩子一定会非常的喜欢，树莓派的小巧和可任意扩展的Linux系统可以满足这种需求。
首先是让梅莓派说话，也就是把一段文本转换成语音，然后再进行播放。方案有很多，也有很多的开源软件，考虑到之后还要做语音识别方面的功能，最终选择科大讯飞的语音SDK,虽然官方未公开提供树莓派版本的SDK,但通过咨询公司开发人员了，他们内部已经有了一个基于树莓派的Beta版本，然后就发给了我，顺便我也可以帮助进行测试，这里再次对科大讯飞表示感谢。
讯飞官方提供了一个基本的测试代码，我在基础上做了一些修改，功能是：输入一段文本，指定发音人（普通话，粤语，儿童。。。），保存为.wav文件
程序命令行是: ./tts [text] [wave filename] [voice name]
示例： ./tts 你好 hello.wav xiaoyu
好了，上代码:
// ttsdemo.cpp : Defines the entry point for the console application.
//
#include
#include
#include
#include
#include "qtts.h"
#define TRUE 1
#define FALSE 0
typedef int SR_DWORD;
typedef short int SR_WORD ;
//音频头部格式
struct wave_pcm_hdr
{
char riff[4]; // = "RIFF"
SR_DWORD size_8; // = FileSize - 8
char wave[4]; // = "WAVE"
char fmt[4]; // = "fmt "
SR_DWORD dwFmtSize; // = 下一个结构体的大小 : 16
SR_WORD format_tag; // = PCM : 1
SR_WORD channels; // = 通道数 : 1
SR_DWORD samples_per_sec; // = 采样率 : 8000 | 6000 | 11025 | 16000
SR_DWORD avg_bytes_per_sec; // = 每秒字节数 : dwSamplesPerSec * wBitsPerSample / 8
SR_WORD block_align; // = 每采样点字节数 : wBitsPerSample / 8
SR_WORD bits_per_sample; // = 量化比特数: 8 | 16
char data[4]; // = "data";
SR_DWORD data_size; // = 纯数据长度 : FileSize - 44
} ;
//默认音频头部数据
struct wave_pcm_hdr default_pcmwavhdr =
{
{ 'R', 'I', 'F', 'F' },
0,
{'W', 'A', 'V', 'E'},
{'f', 'm', 't', ' '},
16,
1,
1,
16000,
32000,
2,
16,
{'d', 'a', 't', 'a'},
0
};
int text_to_speech(const char* src_text ,const char* des_path ,const char* params)
{
struct wave_pcm_hdr pcmwavhdr = default_pcmwavhdr;
const char* sess_id = NULL;
int ret = 0;
unsigned int text_len = 0;
char* audio_data;
unsigned int audio_len = 0;
int synth_status = MSP_TTS_FLAG_STILL_HAVE_DATA;
FILE* fp = NULL;
// printf("begin to synth...\n");
if (NULL == src_text || NULL == des_path)
{
// printf("params is null!\n");
return -1;
}
text_len = (unsigned int)strlen(src_text);
fp = fopen(des_path,"wb");
if (NULL == fp)
{
// printf("open file %s error\n",des_path);
return -1;
}
sess_id = QTTSSessionBegin(params, &ret);
if ( ret != MSP_SUCCESS )
{
// printf("QTTSSessionBegin: qtts begin session failed Error code %d.\n",ret);
return ret;
}
ret = QTTSTextPut(sess_id, src_text, text_len, NULL );
if ( ret != MSP_SUCCESS )
{
// printf("QTTSTextPut: qtts put text failed Error code %d.\n",ret);
QTTSSessionEnd(sess_id, "TextPutError");
return ret;
}
fwrite(&pcmwavhdr, 1, sizeof(pcmwavhdr), fp);
while ( true )
{
audio_data = (char*)QTTSAudioGet( sess_id ,&audio_len , &synth_status , &ret );
if ( ret != MSP_SUCCESS )
{
// printf("QTTSAudioGet: qtts get audio failed Error code %d.\n",ret);
break;
}
fwrite(audio_data, 1, audio_len, fp);
pcmwavhdr.data_size += audio_len;//修正pcm数据的大小
if ( MSP_TTS_FLAG_DATA_END == synth_status )
{
// printf("QTTSAudioGet: get end of data.\n");
break;
}
}
//修正pcm文件头数据的大小
pcmwavhdr.size_8 += pcmwavhdr.data_size + 36;
//将修正过的数据写回文件头部
fseek(fp, 4, 0);
fwrite(&pcmwavhdr.size_8,sizeof(pcmwavhdr.size_8), 1, fp);
fseek(fp, 40, 0);
fwrite(&pcmwavhdr.data_size,sizeof(pcmwavhdr.data_size), 1, fp);
fclose(fp);
ret = QTTSSessionEnd(sess_id, "Normal");
if ( ret != MSP_SUCCESS )
{
// printf("QTTSSessionEnd: qtts end failed Error code %d.\n",ret);
}
return ret;
}
int main(int argc, char* argv[])
{
///APPID请勿随意改动
const char* m_configs = "appid=xxxxxx"; // 你的appid
const char* text = "你好";
const char* filename = "tts.wav";
const char* voice_name = "xiaoyan";
const char* param_format = "ssm=1,auf=audio/L16;rate=16000,vcn=%s,tte=UTF8";
char param[128];
int ret = 0;
if((argc == 2) && ((strcmp(argv[1], "--help") == 0) || (strcmp(argv[1], "-h") == 0)))
{
printf("USAGE: ./tts [text你好)] [wave filenametts.wav)] [voice namexiaoyan)] \n");
printf("Example: ./tts 你好 hello.wav xiaoyu\n");
printf("\n");
return 1;
}
if(argc >= 2)
{
text = argv[1];
}
if(argc >= 3)
{
filename = argv[2];
}
if(argc >= 4)
{
voice_name = argv[3];
}
memset(param, 0, sizeof(param));
sprintf(param, param_format, voice_name);
//引擎初始化
ret = QTTSInit(m_configs);
if ( ret != MSP_SUCCESS )
{
// printf("QTTSInit: failed, Error code %d.\n", ret);
return ret;
}
//合成文本
ret = text_to_speech(text, filename, param);
if ( ret != MSP_SUCCESS )
{
printf("tts : failed.\n");
}
else
{
printf("tts : ok.\n");
}
//引擎关闭
QTTSFini();
return ret;
}
编译命令行：
g++ -D_DEBUG -D_GNU_SOURCE -w -pthread -pipe -ldl -lrt -Iinclude -fPIC -o tts tts.cpp msc.a
这里要先说明一下，讯飞SDK要先从官方获得，并且申请你的appid.
将文本转换成语音的程序就完成了，下面就是如何让树莓派播放这个.wav文件。
大家都知道 树莓派声音有两种输出模式： HDMI和Analog模拟，因为我接了一个小音箱给树莓派，所以要选择Analog输出，这里就需要做一些配置:安装声卡服务:
sudo apt-get install alsa-utils
加载驱动:
sudo modprobe snd_bcm2835
设置Analog输出模式:
sudo amixer cset numid=3 1
插上小音箱，然后进行测试（aplay是音频播放的程序，如果缺省没有就使用apt-get instal安装吧）:
sudo aplay test.wav
正常情况下音箱发出声音了。
最后把两个命令连接在一起，接收一段文本然后立马播放(主要是通过外部的程序发送命令，比如HTTP GET/POST, SSH, ...)：
sudo ./tts "说话的文本" tmp.wav vinn && aplay tmp.wav |
某树莓派玩家
发表于 2015-5-30 20:39:06