微信小程序实现语音识别转文字功能及遇到的坑

微信(小程序)  /  管理员 发布于 3年前   403

最近为小程序增加语音识别转文字的功能，坑路不断，特此记录。

微信开发者工具

开发者工具上的录音文件与移动端格式不同，暂时只可在工具上进行播放调试，无法直接播放或者在客户端上播放

debug的时候发现，工具上录音的路径是http://tmp/xxx.mp3，客户端上录音是wxfile://xxx.mp3。 忽悠呢，不是格式不同，是映射路径不同。

其实做个兼容也不难，每次提示一行文字，很丑。

采样率与编码码率限制

每种采样率有对应的编码码率范围有效值，设置不合法的采样率或编码码率会导致录音失败。详细看这个
https://developers.weixin.qq.com/miniprogram/dev/api/media/recorder/RecorderManager.start.html

一开始没有留意，导致录音不成功。

试过几次后，采用这样的配置，感觉录音识别率和体积之间比较好平衡：

sampleRate: 16000, //采样率numberOfChannels: 1, //录音通道数encodeBitRate: 96000, //编码码率

单通道基本是必选的。因为asr只支持单通道。frameSize也是可以的，但是要考虑截断对识别的影响。暂时没有用上。

录音优化

因为可能误按，于是对小于500ms的录音直接忽略。
另外，松开录音按键后，再延迟一点时间才真正stop录音。

录音文件格式

微信录音文件支持mp3和aac。这2种格式文件都比较小，aac文件体积更小。这对上传来说是件好事情，速度更快。
但是对语音识别转文字就不友好了。因为百度、阿里云ASR、讯飞的语音转文字接口都不支持aac和mp3，通常要求是pcm或者wav格式。

如果微信录音能提供wav格式，那么就不用服务器做格式转换了，但是wav格式体积是mp3、aac的5到10倍，至少短期是没戏了，这也是很多人吐槽的地方。

服务器转换录音文件格式

可以用java第三方库转换，也可以用Process调用ffmpeg转换。要注意的是，根据识别API的要求来做转换。比如阿里云asr的要求是：

支持音频编码格式：pcm(无压缩的pcm文件或wav文件)、opus，16bit采样位数的单声道(mono)；
支持音频采样率：8000Hz、16000Hz；

java ProcessBuilder要使用数组传参

转换音视频，习惯用ffmpeg。安装完ffmpeg之后，用java新建进程调用。

Process = new ProcessBuilder("ffmpeg -i in.mp3 out.wav").start();

一直提示CreateProcess error。 后来看文档才发现，要以数组的形式传入参数。

Process = new ProcessBuilder("ffmpeg", "-y", "-i", "in.mp3", "out.wav").start();

这样就启动成功了。

关于java启动进程，不是本文重点，以后再写篇文章总结。

阿里云asr sdk使用问题

这个问题困扰了一天时间，回想起来真是吐血。
问题表现是微信录制的语音很多都识别不了。
最初是直接把录音mp3文件转换为pcm文件，本地能播放，但是用阿里云asr sdk却识别不了。 一开始以为是文件编码问题。特意查了asr支持的文件格式，用ffprobe检查，potplayer看属性，都没有看出问题。
甚至把启动ffmpeg进程转换也改了，用了java的库去做，还是不行。
后来为了方便测试问题，用asr的restful接口测试录音文件，都能识别！ 似乎是sdk的问题。于是打开官方文档例子对比。发现用的是sdk 2.x，老铁啊你复制粘贴过来的代码竟然少了！欲哭无泪。

// TODO 重要提示：这里是用读取本地文件的形式模拟实时获取语音流并发送的，因为read很快，所以这里需要sleep// TODO 如果是真正的实时获取语音，则无需sleep, 如果是8k采样率语音，第二个参数改为8000int deltaSleep = getSleepDelta(len, sampleRate);Thread.sleep(deltaSleep);

也少了对sampleRate的设置。

阿里云asr token过期

因为用的是免费版asr，没有给福报厂充值，因此token一天失效，导致联调的时候突然报错。
最后实在受不了，写了个定时任务每小时更新token。
这，就是beggar VIP