linux下语音识别

原文地址：http://blog.csdn.net/littlethunder/article/details/17047663

我之前发过我的贪吃蛇的代码，我想把它变成语音控制上下左右的，于是选择科大讯飞的SDK，官方有一些文档，但有一些细节还是会让在linux下开发的孩子们产生困惑比如我，现在总结在此~

        首先下载科大讯飞的SDK-linux版本，需要注册先。。。在下载下来的include文件夹下，有四个文件：msp_errors.h  msp_types.h  qisr.h  qtts.h。前两个是通用的一些数据结构，剩下的qisr.h是语音识别用的头文件，qtts.h是语音合成用的头文件，因为我之需要语音识别的功能，只要在我的代码中include进qisr.h头文件就OK啦。在bin文件夹下比较乱，但主要就是libmsc.so和libspeex.so两个动态库，我直接把这两个动态库拷到/usr/lib里面。

         在bin文件夹下注意到一个asr_keywords_utf8.txt的文件，这个SDK的思路是这样：把自己想识别的文字写到asr_keywords_utf8.txt中，然后上传到讯飞的服务器上，然后返回一个GrammarID，据说上传一次“终身有效”，意思就是不让重复上传占用服务器空间，反正有了这个GrammarID以后在不同的程序中想识别相同的文字就直接用好了，比如我想识别“左，右，上，下，图书馆，独自”，把这些汉字写到asr_keywords_utf8.txt中，而且必须是utf-8的格式，当然在linux下默认如此。下面是我写的上传这个txt并获得GrammarID的代码：

#include
#include
#include
#include

#include

#define TRUE 1
#define FALSE 0

int main()
{
    int ret = QISRInit("appid=xxxxxxx");
    if(ret != MSP_SUCCESS)
    {
        printf("QISRInit with errorCode: %d \n", ret);
        return 0;
    }
    char GrammarID[128];
    memset(GrammarID, 0, sizeof(GrammarID));
    const int MAX_KEYWORD_LEN = 4096;
    ret = MSP_SUCCESS;
    const char * sessionID = NULL;

    sessionID = QISRSessionBegin(NULL, "ssm=1,sub=asr", &ret);
    if(ret != MSP_SUCCESS)
    {
        printf("QISRSessionBegin with errorCode: %d \n", ret);
        return ret;
    }

    char UserData[MAX_KEYWORD_LEN];
    memset(UserData, 0, MAX_KEYWORD_LEN);
    FILE* fp = fopen("asr_keywords_utf8.txt", "rb");
    if (fp == NULL)
    {
        printf("keyword file cannot open\n");
        return -1;
    }
    unsigned int len = (unsigned int)fread(UserData, 1, MAX_KEYWORD_LEN, fp);
    UserData[len] = 0;
    fclose(fp);
    const char* testID = QISRUploadData(sessionID, "contact", UserData, len, "dtt=keylist", &ret);
    if(ret != MSP_SUCCESS)
    {
        printf("QISRUploadData with errorCode: %d \n", ret);
        return ret;
    }
    memcpy((void*)GrammarID, testID, strlen(testID));
    printf("GrammarID: \"%s\" \n", GrammarID);

    QISRSessionEnd(sessionID, "normal");
    return 0;
}

        这样GrammarID会输出到终端中，记下来就妥了。然后是录制要识别的音频文件，原来不知道要求，直接用ubuntu自带的录音机录了一段，发现总也识别不了，在bbs上问了问题才搞明白，讯飞语音对语音的要求如下：采样率16K或8KHz，采样位是16位，单声道，格式是PCM或WAV。自带的录音软件都是默认32位采样，只能用ffmpeg或自己写代码录制，ffmpeg命令如下：

1. ffmpeg -f alsa -i hw:0 -ar 16000 -ac 1 lib.wav  

        我用普通话录了2秒的“图书馆”音频，下面是识别的代码：

#include
#include
#include
#include

#include

#define TRUE 1
#define FALSE 0

int run_asr(const char* asrfile);

const int BUFFER_NUM = 4096;
const int MAX_KEYWORD_LEN = 4096;

int main(int argc, char* argv[])
{
    int ret = MSP_SUCCESS;
    const char* asrfile ="lib.wav";
    ret = QISRInit("appid=xxxxxx");
    if(ret != MSP_SUCCESS)
    {
        printf("QISRInit with errorCode: %d \n", ret);
        return 0;
    }

    ret = run_asr(asrfile);
    QISRFini();
    char key = getchar();
    return 0;
}


int run_asr(const char* asrfile)
{
    int ret = MSP_SUCCESS;
    int i = 0;
    FILE* fp = NULL;
    char buff[BUFFER_NUM];
    unsigned int len;
    int status = MSP_AUDIO_SAMPLE_CONTINUE, ep_status = -1, rec_status = -1, rslt_status = -1;

    //const char* GrammarID="e7eb1a443ee143d5e7ac52cb794810fe";
    const char *GrammarID="c66d4eecd37d4fe1c8274a2224b832d5";
    const char* param = "rst=json,sub=asr,ssm=1,aue=speex,auf=audio/L16;rate=16000";//注意sub=asr
    const char* sess_id = QISRSessionBegin(GrammarID, param, &ret);
    if ( MSP_SUCCESS != ret )
    {
        printf("QISRSessionBegin err %d\n", ret);
        return ret;
    }

    fp = fopen( asrfile , "rb");
    if ( NULL == fp )
    {
        printf("failed to open file,please check the file.\n");
        QISRSessionEnd(sess_id, "normal");
        return -1;
    }

    printf("writing audio...\n");
    //
    int count=0;
    //
    while ( !feof(fp) )
    {
        len = (unsigned int)fread(buff, 1, BUFFER_NUM, fp);
        feof(fp) ? status = MSP_AUDIO_SAMPLE_LAST : status = MSP_AUDIO_SAMPLE_CONTINUE;
        if(status==MSP_AUDIO_SAMPLE_LAST)
            printf("MSP_AUDIO_SAMPLE_LAST\n");
        if(status==MSP_AUDIO_SAMPLE_CONTINUE)
            printf("MSP_AUDIO_SAMPLE_CONTINUE\n");
        //
        ret = QISRAudioWrite(sess_id, buff, len, status, &ep_status, &rec_status);
        if ( ret != MSP_SUCCESS )
        {
            printf("\nQISRAudioWrite err %d\n", ret);
            break;
        }
        //
        printf("%d\n",count++);
        //
        if ( rec_status == MSP_REC_STATUS_SUCCESS )
        {
            const char* result = QISRGetResult(sess_id, &rslt_status, 0, &ret);
            if (ret != MSP_SUCCESS )
            {
                printf("error code: %d\n", ret);
                break;
            }
            else if( rslt_status == MSP_REC_STATUS_NO_MATCH )
                printf("get result nomatch\n");
            else
            {
                if ( result != NULL )
                    printf("get result[%d/%d]:len:%d\n %s\n", ret, rslt_status,strlen(result), result);
            }
        }
        printf(".");
    }
    printf("\n");

    if (ret == MSP_SUCCESS)
    {
        printf("get reuslt~~~~~~~\n");
        char asr_result[1024] = "";
        unsigned int pos_of_result = 0;
        int loop_count = 0;
        do
        {
            const char* result = QISRGetResult(sess_id, &rslt_status, 0, &ret);
            if ( ret != 0 )
            {
                printf("QISRGetResult err %d\n", ret);
                break;
            }

            if( rslt_status == MSP_REC_STATUS_NO_MATCH )
            {
                printf("get result nomatch\n");
            }
            else if ( result != NULL )
            {
                //
                FILE*f=fopen("data.txt","wb");
                printf("~~~%d\n",strlen(result));
                fwrite(result,1,strlen(result),f);
                fclose(f);
                //
                printf("[%d]:get result[%d/%d]: %s\n", (loop_count), ret, rslt_status, result);
                strcpy(asr_result+pos_of_result,result);
                pos_of_result += (unsigned int)strlen(result);
            }
            else
            {
                printf("[%d]:get result[%d/%d]\n",(loop_count), ret, rslt_status);
            }
            usleep(500000);
        } while (rslt_status != MSP_REC_STATUS_COMPLETE && loop_count++ < 30);
        if (strcmp(asr_result,"")==0)
        {
            printf("no result\n");
        }

    }

    QISRSessionEnd(sess_id, NULL);
    printf("QISRSessionEnd.\n");
    fclose(fp);

    return 0;
}

输出结果如下：

1. kl@kl-Latitude:~/xunfeiSDK$ ./a.out   
2. writing audio...  
3. MSP_AUDIO_SAMPLE_CONTINUE  
4. 0  
5. .MSP_AUDIO_SAMPLE_CONTINUE  
6. 1  
7. .MSP_AUDIO_SAMPLE_CONTINUE  
8. 2  
9. .MSP_AUDIO_SAMPLE_CONTINUE  
10. 3  
11. .MSP_AUDIO_SAMPLE_CONTINUE  
12. 4  
13. .MSP_AUDIO_SAMPLE_CONTINUE  
14. 5  
15. .MSP_AUDIO_SAMPLE_CONTINUE  
16. 6  
17. .MSP_AUDIO_SAMPLE_CONTINUE  
18. 7  
19. .MSP_AUDIO_SAMPLE_CONTINUE  
20. 8  
21. .MSP_AUDIO_SAMPLE_CONTINUE  
22. 9  
23. .MSP_AUDIO_SAMPLE_CONTINUE  
24. 10  
25. .MSP_AUDIO_SAMPLE_CONTINUE  
26. 11  
27. .MSP_AUDIO_SAMPLE_CONTINUE  
28. 12  
29. .MSP_AUDIO_SAMPLE_CONTINUE  
30. 13  
31. .MSP_AUDIO_SAMPLE_CONTINUE  
32. 14  
33. .MSP_AUDIO_SAMPLE_CONTINUE  
34. 15  
35. .MSP_AUDIO_SAMPLE_CONTINUE  
36. 16  
37. .MSP_AUDIO_SAMPLE_CONTINUE  
38. 17  
39. .MSP_AUDIO_SAMPLE_CONTINUE  
40. 18  
41. .MSP_AUDIO_SAMPLE_CONTINUE  
42. 19  
43. .MSP_AUDIO_SAMPLE_CONTINUE  
44. 20  
45. .MSP_AUDIO_SAMPLE_CONTINUE  
46. 21  
47. .MSP_AUDIO_SAMPLE_CONTINUE  
48. 22  
49. .MSP_AUDIO_SAMPLE_LAST  
50. 23  
51. .  
52. get reuslt~~~~~~~  
53. [0]:get result[0/2]  
54. ~~~123  
55. [1]:get result[0/5]: {"sn":1,"ls":true,"bg":0,"ed":0,"ws":[{"bg":0,"cw":[{"sc":"85","gm":"0","w":"图书馆","mn":[{"contact":"图书馆"}]}]}]}  
56. QISRSessionEnd.  

        这个输出格式是个坑，因为官方的例子默认是直接输出识别的结果，但是结果是GB2312格式的，在linux终端下是乱码，后来才搞明白，在QISRSessionBegin（）函数初始化的时候第二个参数param中的rst改成json，就是按照json格式把所有结果全输出来后，是utf8格式的汉字，之后再用json模块来解就妥妥的了~整体代码很清晰，简单说一下:

1.先要调用QISRInit（）函数，参数是自己的appid，每个SDK都是注册才能下载的，所以是唯一的，用来区分用户的，不同级别的用户每天可以使用SDK的次数有限制，毕竟人用的多了语音识别的性能肯定会下降；

2.之后就是把GrammarID，输入输出的参数param和调用状态返回值ret作为参数传入QISRSessionBegin（）函数中进行初始化，返回值是sessionID，这个是后面所有函数的主要参数之一；

3.打开自己的音频文件，调用QISRAudioWrite（）函数写入，可以分段也可以一次，第一个参数是sessionID，上面初始化函数返回的值，第二个参数是音频数据头指针，第三个参数是音频文件大小，第四个参数是音频发送的状态，表示发送完了没有，剩下两个是服务器端检测语音状态和识别状态的返回值；

4.调用QISRGetResult（）函数获取识别的结果，第一个参数还是sessionID，第二个参数是输出识别的状态，第三个参数是与服务器交互的间隔时间，官方建议5000，我取为0，第四个参数是调用状态返回值ret，最后这个函数的返回值就是上面结果的json数据了；

5.最后的收尾清理工作，毕竟是C语言，不是java~哈哈