從第一步開始教你用Python實現(xiàn)聊天機器人（基礎(chǔ)篇）

2019.07.11

你能順利在Python應(yīng)用程序中實現(xiàn)語音識別嗎？閱讀本教程，了解使用開源Python庫實現(xiàn)語音識別的簡單方法。

你是否曾經(jīng)想嘗試一個語音識別項目，但發(fā)現(xiàn)它太嚇人了?

我們來創(chuàng)建一些更復(fù)雜的東西，比如完整的音頻聊天機器人或者語音助手，怎么樣？

組合這類項目的框架代碼實際上非常簡單，這歸功于那些我們可以依賴的開源庫。結(jié)合這一點，讓我們看看如何開始用Python創(chuàng)建一個基本的玩具語音識別應(yīng)用程序。一旦我們掌握了基礎(chǔ)知識，就可以更深入的使用它了。

丑話說在先，我們的Python玩具應(yīng)用程序沒有實際作用，但它會向我們介紹一些概念，這些概念對以后構(gòu)建更復(fù)雜的事物非常有用。在某種程度上來說，如果我們正確地構(gòu)建這個玩具，修改它來做更復(fù)雜的事情將會相對容易。

我們的應(yīng)用程序在完成后能執(zhí)行的操作：它會聽我們說什么，然后鸚鵡學(xué)舌地把它傳回給我們，僅此而已。這件事的意義是，我們將學(xué)會在應(yīng)用程序中構(gòu)建語音識別和音頻回放。

導(dǎo)入需要的庫

首先，導(dǎo)入幾個我們需要的庫（來自開源庫）：

import osimport speech_recognition as srfrom pydub import AudioSegmentfrom pydub.playback import playfrom gtts import gTTS as tts

注釋：

speech_recognitionSpeechRecognition · PyPI——用于執(zhí)行語音識別的庫，支持在線和離線的多個引擎和API。
pydub jiaaro/pydub @ GitHub——使用簡單易用的高級接口操縱音頻。
gTTSgTTS · PyPI ——用來連接谷歌翻譯文本-語音API的Python庫和CLI工具。

識別語音

接下來要做的事情——可能是語音識別應(yīng)用程序最重要的事情，就是識別語音。

為此，我們首先需要從麥克風(fēng)捕獲傳入的音頻，然后執(zhí)行語音識別。這都是通過speech recognition庫來處理的。

這是捕捉語音的功能：

def capture(): '''Capture audio''' rec = sr.Recognizer() with sr.Microphone() as source: print('I\'M LISTENING...') audio = rec.listen(source, phrase_time_limit=5) try: text = rec.recognize_google(audio, language='en-US') return text except: speak('Sorry, I could not understand what you said.') return 0

就這樣，語音捕獲和識別，還覺得很可怕嗎?

注意，一旦這個應(yīng)用程序開始運行，它將以5秒的間隔進行監(jiān)聽，并逐個處理這5秒間隔。實用嗎？不，一點也不。如果我們需要做一些更復(fù)雜的事情，可以把它進行調(diào)整，也許是聽一個激活關(guān)鍵字，或者聽我們說話的整個過程，不管長度等等。這僅僅是一個非常簡單的開始。

回放語音

那么，我們捕捉到語音之后會做什么呢？我們需要處理它，具體該怎么做呢？

我們正在構(gòu)建的應(yīng)用程序?qū)⒃诤艽蟪潭壬蠜Q定“process it”的含義。這次我們的處理將或多或少是一個占位符函數(shù)，以便將來做其他事情。目前我們的玩具應(yīng)用程序?qū)⑻幚聿蹲降恼Z音，并將其自動回放給我們（輸出到控制臺）。

這是我們處理的一個簡單函數(shù)：

def process_text(name, input): '''Process what is said''' speak(name + ', you said: '' + input + ''.') return

讓應(yīng)用程序說話

我們還想讓這個應(yīng)用程序說話，讓我們編寫一個函數(shù)，它使用谷歌文本-語音引擎來實現(xiàn)這個功能。

def speak(text): '''Say something''' # Write output to console print(text) # Save audio file speech = tts(text=text, lang='en') speech_file = 'input.mp3' speech.save(speech_file) # Play audio file sound = AudioSegment.from_mp3(speech_file) play(sound) os.remove(speech_file)

首先，我們將傳遞給函數(shù)的內(nèi)容打印到控制臺；然后使用谷歌文本-語音的轉(zhuǎn)換，從文本中創(chuàng)建一個音頻文件；再將音頻文件保存到磁盤；最后使用pydub庫重新打開并播放文件。

這是最難處理的事情?，F(xiàn)在我們只需要幾行代碼來驅(qū)動這個過程。

if __name__ == '__main__': # First get name speak('What is your name?') name = capture() speak('Hello, ' + name + '.') # Then just keep listening & responding while 1: speak('What do you have to say?') captured_text = capture().lower() if captured_text == 0: continue if 'quit' in str(captured_text): speak('OK, bye, ' + name + '.') break # Process captured text process_text(name, captured_text)

speak()和capture()函數(shù)都用于在提示時獲取用戶名，然后向他們打招呼。之后進入一個while循環(huán)，在捕獲語音輸入和執(zhí)行一些非?；镜臋z查之間的循環(huán)，以確保捕獲了一些內(nèi)容，并且用戶沒有說“退出”來退出。捕獲的文本被傳遞給process_text()函數(shù)，該函數(shù)響應(yīng)剛才所說的內(nèi)容，然后無限重復(fù)。

再一次申明：這里沒有什么復(fù)雜的東西。

將上述所有代碼保存到 voice_recognition_test.py 文件中。

現(xiàn)在來看看我們與極簡語音識別應(yīng)用程序的對話。用上面的代碼運行它，查看結(jié)果如下(當(dāng)然，同時想象我正在說話，并讓別人重復(fù)我的話)：

$ python voice_recognition_test.py

What is your name?

I'M LISTENING...

Hello, Matthew.

What do you have to say?

I'M LISTENING...

Matthew, you said: 'where are you from'.

What do you have to say?

I'M LISTENING...