home

หน้าแรก
 Computer >> บทช่วยสอนคอมพิวเตอร์ >  >> การเขียนโปรแกรม >> Python

การประมวลผลเสียงด้วย Pydub และ Google Speech Recognition API ใน Python

ในบทช่วยสอนนี้ เราจะทำงานกับไฟล์เสียง (Audio Files) โดยการแบ่งเสียงเป็นชิ้นๆ (chunks) เพื่อทำการแปลงเสียงเป็นข้อความ (Speech Recognition) และบันทึกผลลัพธ์ลงในไฟล์ข้อความ

ติดตั้งโมดูลที่จำเป็น

pip install pydub
pip install audioread
pip install SpeechRecognition

ขั้นตอนการทำงาน

  1. การแบ่งเสียงเป็น chunks - ตัดไฟล์เสียงยาวเป็นชิ้นเล็กๆ
  2. การแปลงเสียงเป็นข้อความ - ใช้ SpeechRecognition ร่วมกับ Google Speech Recognition API

ตัวอย่างโค้ด

import pydub
import speech_recognition

# getting the audio file
audio = pydub.AudioSegment.from_wav('audio.wav')

# length of audio in milliseconds
audio_length = len(audio)
print(f'Audio Length: {audio_length}')

chunk_counter = 1
audio_text = open('audio_text.txt', 'w+')

# slice point: 60 seconds = 60000 ms
point = 60000
# overlap: 8 seconds = 8000 ms
rem = 8000

flag = 0
start = 0
end = 0

for i in range(0, 2 * audio_length, point):
    if i == 0:
        start = 0
        end = point
    else:
        start = end - rem
        end = start + point
    
    if end >= audio_length:
        end = audio_length
        flag = 1
    
    # get chunk
    chunk = audio[start:end]
    chunk_name = f'chunk_{chunk_counter}'
    
    # export chunk
    chunk.export(chunk_name, format='wav')
    print(f'{chunk_name} start: {start} end: {end}')
    
    chunk_counter += 1
    
    # speech recognition
    recognizer = speech_recognition.Recognizer()
    with speech_recognition.AudioFile(chunk_name) as chunk_audio:
        chunk_listened = recognizer.listen(chunk_audio)
    
    try:
        content = recognizer.recognize_google(chunk_listened)
        audio_text.write(content + '\n')
    except speech_recognition.UnknownValueError:
        print('Audio is not recognized')
    except speech_recognition.RequestError as Error:
        print("Can't connect to the internet")
    
    if flag == 1:
        audio_text.close()
        break

ผลลัพธ์การแบ่ง Chunk

Audio Length: 480052
chunk_1 start: 0 end: 60000
chunk_2 start: 52000 end: 112000
chunk_3 start: 104000 end: 164000
chunk_4 start: 156000 end: 216000
chunk_5 start: 208000 end: 268000
chunk_6 start: 260000 end: 320000
chunk_7 start: 312000 end: 372000
chunk_8 start: 364000 end: 424000
chunk_9 start: 416000 end: 476000
chunk_10 start: 468000 end: 480052

เนื้อหาไฟล์ข้อความที่ได้

English and I am here in San Francisco I am back in San Francisco last week we were in Texas at a teaching country and The Reader of the teaching conference was a plan e Re improve teaching as a result you are house backup file with bad it had some English is coming soon one day only time 12 o1 a.m. everything about her English now or powering on my email list sports in your city check your email email Harjeet girlfriend next Tuesday checking the year enjoying office English keep listening keep smiling keep enjoying your English learning

สรุป

โค้ดนี้สาธิตการแบ่งไฟล์เสียงยาวเป็น chunks พร้อม overlap เพื่อไม่ให้ตัดคำพูดกลางคัน และใช้ Google Speech Recognition API ผ่านไลบรารี SpeechRecognition หากมีข้อสงสัย สามารถถามได้ในส่วนความคิดเห็น