百度語音對上傳的語音要求目前必須是單聲道，16K采樣率，采樣深度可以是16位或者8位的PCM編碼。其他編碼輸出的語音識別不出來。

語音的處理技巧：

錄制為MP3的語音（通常采樣率為44100），要分兩步才能正確處理。第一步：使用諸如GoldWave的軟件，先保存為16K采樣率的MP3；第二步，打開16K采樣率的MP3，另存為Wav格式，參數選擇PCM，單聲道即可。

另外，也可以使用ffmpeg將MP3處理為PCM。后文的程序即采用這種方法。

由于PCM編碼的語音沒有壓縮，文件體積與語音長度成正比。百度語音平臺對語音的長度的限制未知。文件太大，網速不好的時候，容易出現”連接錯誤“的提示。因此，對時間較長的語音，應該將語音分割成多個序列，在分別進行識別。（目前按照等長分割）

以下代碼，使用前，需要在baidu 開發者上申請相關的API ID, API Key, Secret Key，并以申請的參數代入到文件中。

# 引入Speech SDKfrom aip import AipSpeechimport subprocessimport datetimeimport sysimport osimport timefrom pydub import AudioSegmentimport math # 定義常量#APP_ID = '你的 App ID'APP_ID = '937****'#API_KEY = '你的 API Key'API_KEY = 'mOV9QaabNnkur0Aba15T****'#SECRET_KEY = '你的 Secret Key'SECRET_KEY = '097111374ad26d4ba00937c5e332****'# 初始化AipSpeech對象aipSpeech = AipSpeech(APP_ID, API_KEY, SECRET_KEY) # 文件處理def get_wave_filename(fileFullName): # MP3文件轉換成wav文件 # 判斷文件后綴，是mp3的，直接處理為16k采樣率的wav文件； # 是wav的，判斷文件的采樣率，不是8k或者16k的，直接處理為16k的采樣率的wav文件 # 其他情況，就直接返回AudioSegment直接處理 fileSufix = fileFullName[fileFullName.rfind('.')+1:] print(fileSufix) filePath = fileFullName[:fileFullName.find(os.sep)+1] print(filePath) if fileSufix.lower() == "mp3": wavFile = "wav_%s.wav" %datetime.datetime.now().strftime('%Y%m%d%H%M%S') wavFile = filePath + wavFile cmdLine = "ffmpeg -i /"%s/" -ar 16000 " %fileFullName cmdLine = cmdLine + "/"%s/"" %wavFile print(cmdLine) ret = subprocess.run(cmdLine) print("ret code:%i" %ret.returncode) return wavFile #if ret.returncode == 1: # return wavFile #else: # return None else: return fileFullName  #文件分片try: script, fileFullName = sys.argvexcept: print("參數 文件名 未指定!") exit() if not os.path.isfile(fileFullName): print("參數 %s 不是一個文件名" %fileFullName) exit() if not os.path.exists(fileFullName): print("參數 %s 指定的文件不存在" %fileFullName) exit() filePath = fileFullName[:fileFullName.find(os.sep)+1]# 文件處理為Wav，采樣率16k的文件，返回文件名wavFile = get_wave_filename(fileFullName)print(wavFile)record = AudioSegment.from_wav(wavFile)if wavFile != fileFullName: time.sleep(1) os.remove(wavFile) recLen = record.duration_secondsinterval = 120 * 1000maxLoop = math.ceil(recLen*1000/float(interval))for n in range(0,math.ceil(recLen*1000/float(interval))): recSeg = record[n * interval : (n + 1)*interval] #print("Segment:%i,startat:%i,length:%i" %n,n*interval/1000,recSeg.duration_seconds) print(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S') + " >> Segment:" + str(n) +"/" + str(maxLoop)) segFile = filePath + "seg%s.wav" %("0"*7 + str(n))[-6:] # 把分段的語音信息保存為臨時文件 file_handle = recSeg.export(segFile,format="wav",codec = "libvorbis") file_handle.close() # 讀取分段的臨時文件為字節 file_handle = open(segFile, 'rb') file_content = file_handle.read() file_handle.close() # 刪除臨時文件 os.remove(segFile) # 用百度API處理該語音 result=aipSpeech.asr(file_content, 'pcm', 16000, {'lan': 'zh'}) if result['err_no'] == 0: print(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S') + " >> " + result['result'][0]) else: print(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S') + " >> " + "err_no:" + str(result['err_no']))