使用Google語音識別引擎（Google Speech API）

文章來源:http://blog.csdn.net/dlangu0393/article/details/7214728

最近在使用Qt編寫一個客戶端程序的時候需要增加語音識別輸入的功能。起初嘗試使用SAPI來完成這個任務，但是發現SAPI不僅使用起來超級複雜，而且識別效果也很慘烈。於是就需要尋找一個更加便捷優秀的方案。

    自從Chrome 11開始，Chrome開始支持HTML5的語音輸入API，QQ緊接着也推出了語音識別輸入（可以看做跟風麼:D)。顯然這些識別操作不可能在本地完成，那麼我們就有直接利用接口的可能。

 

    對Chromium的repo進行搜索之後，終於找到了Chromium對語音識別的實現代碼：

 

http://src.chromium.org/viewvc/chrome/trunk/src/content/browser/speech/

 

    分析過程就算了，直接上成果。

    Chromium先從mic獲取音頻，然後使用flac或者speex進行編碼，直接通過HTTPS POST到服務器。接口地址如下：

 

    https://www.google.com/speech-api/v1/recognize

 

    Chromium在請求時還會拼上很多參數：

 

    xjerr=1&client=chromium&lang=en-US&maxresults=1

 

    注：參數解釋

        xjerr=1    # 不詳，猜測爲錯誤的標準

        client=chromium    # 客戶端類型，這裏是Chromium，猜測Chrome也應該可行，估計是作爲統計用的。

        lang=en-US    # 語言類型，這裏是英文，中文爲zh-CN，其餘語言代碼參考：http://msdn.microsoft.com/en-us/library/ms533052(v=vs.85).aspx

        maxresults=1    # 最大返回結果數量，多個結果在hypotheses列表中保存。

 

    參數很明瞭，這給我們提供了很多便利。我們對參數進行調整，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

 

    

    接下來祭出wget，對已經發現的接口進行測試：

 

flac.exe -8 -f --sample-rate=16000 speechInput.wav

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"

 

    結果如下：

 

{
    "status":0,    /* 結果代碼，詳細見本文結尾 */
    "id":"c421dee91abe31d9b8457f2a80ebca91-1",    /* 識別編號 */
    "hypotheses":    /* 假設，即結果 */
    [
        {
            "utterance":"下午好",    /* 話語 */
            "confidence":0.2507637    /* 信心，即準確度 */
        }
    ]
}

 

    注：註釋後爲手工添加的結果解釋

 

    返回結果太明瞭了！直接就能拿來用了不是~ 返回的編碼是UTF-8。

    對於編碼格式，在測試中使用了FLAC編碼，採樣率爲16kHz，經測試其他採樣率同樣可用，但一定要保證Header裏的rate與實際數據相符。（關於其他格式的實驗請看本文底部。）

 

 

 

    總結：

    1、基本流程：

 

一、從音頻輸入設備獲取原始數據。

二、對原始數據進行包裝、編碼。

三、將編碼後的音頻POST至接口地址。

四、分析處理接口返回的JSON並得出結果。

    2、請求接口

 

 

地址：http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1

請求方式：HTTP POST

頭部信息：Content-Type: audio/x-flac; rate=16000   （注：Content-Type根據所使用的編碼格式不同而不同，詳見文章底部。rate爲音頻採樣率。）

請求數據：編碼後的音頻數據

 

    3、音頻編碼格式：

 

FLAC或WAV或SPEEX

 

 

    下面是我寫的Qt(C++)中的請求：

 

 

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()));
    }
}

    至於讀取函數，就不貼在這裏了，具體見：

 

Protocol: http://pastebin.com/6G6wggfF

AudioInput:

    speechInput.h: http://pastebin.com/qdMPeWZD

    speechInput.cpp: http://pastebin.com/567B47qF

main:

    mainwidget: http://pastebin.com/c8bk7zd2

 

    在翻閱Chromium源碼的過程之中，還發現了其他有用的東西：

Speech Input API Specification http://www.w3.org/2005/Incubator/htmlspeech/2010/10/google-api-draft.html

    到目前爲止，Google好像還沒有公開這個API，使用許可依舊不詳，請求也沒有用到任何認證。但它確實能用，而且十分方便，對於編寫非商業程序的人來說，這個東西真的是再好不過了（因爲它有着高的爆表的識別率）。

 

參考：

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 錯誤信息

 

// 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、多種音頻格式的測試

    收到朋友的郵件說使用flac實在是很不方便，問我有沒有更好的解決方法，於是我嘗試將其他編碼格式應用於Google Speech API。以下爲結果：

    1、WAV格式

    請求Header：Content-Type: audio/L16; rate=16000

    返回結果：識別成功

    2、MP3格式

    請求Header：Content-Type: audio/mpeg; rate=16000

    返回結果：無法識別的編碼

 

    請求Header：Content-Type: audio/mpeg3; rate=16000

    返回結果：無法識別的編碼

    請求Header：Content-Type: audio/x-mpeg; rate=16000

    返回結果：無法識別的編碼

 

    請求Header：Content-Type: audio/x-mpeg-3; rate=16000

    返回結果：無法識別的編碼

    請求Header：Content-Type: audio/mp3; rate=16000

    返回結果：無法識別的編碼

    3、PCM格式

 

    請求Header：Content-Type: audio/x-ogg-pcm; rate=16000

    返回結果：無法識別的編碼

    請求Header：Content-Type: audio/pcm; rate=16000

    返回結果：無法識別的編碼

    4、SPEEX格式

    請求Header：Content-Type: audio/x-speex-with-header-byte; rate=16000

    返回結果：識別成功

 

    請求Header：Content-Type: audio/speex; rate=16000

    返回結果：識別成功

 

    由於識別接口並不開放，所以無法得知具體的支持格式，如果哪位朋友發現了新的支持格式，請一定要留言哦！