最为重要的是，在 Python 程序中实现语音识别非常简单。阅读本文章，你将会了解到Python是如何制作语音识别的。你将会学习到：

语言识别工作原理概述

语音识别的首要部分当然是语音。通过麦克风，语音便从物理声音被转换为电信号，然后通过模数转换器转换为数据。一旦被数字化，就可适用若干种模型，将音频转录为文本。

幸运的是，对于 Python 的使用者来说，部分的语音识别服务可通过 API 在线使用，其中大部分提供了 Python SDK。 选择 Python 语音识别包

PyPI中有一些现成的语音识别软件包。

其中一些软件包(如 wit 和 apiai )提供了部分超出基本语音识别的内置功能，如识别讲话者意图的自然语言处理功能。还有其他的软件包，比如谷歌云语音，比较专注于语音向文本的转换。

在其中，SpeechRecognition 就因便于使用而脱颖而出。

安装 SpeechRecognation

本教程中所有开发版本默认 Python 3.3+。

读者可使用 pip 命令从终端安装 SpeechRecognition：

安装完成后请打开解释器窗口并输入以下内容来验证安装：

注：请不要现在就关闭此会话，因为在后面的几个步骤将要使用它。

若处理现有的音频文件，可以直接调用 SpeechRecognition ，但是要注意具体用例的一些依赖关系。同时要注意，安装 PyAudio 包来获取麦克风输入。 识别器类

以上的七个只中只有 recognition_sphinx()可与CMU Sphinx 引擎脱机工作， 其他六个都需要连接互联网。

从现在开始实践，在解释器的会话中调用 recognise_google()函数。

屏幕会出现：

相信你已经猜到结果了，怎么能在空文件中识别出数据呢？

AudioData 实例的创建有两种路径：音频文件或由麦克风录制的音频，先从比较容易上手的音频文件开始。 音频文件的使用

支持文件类型

使用 record() 从文件中获取数据

在解释器会话框输入以下命令来处理 “harvard.wav” 文件的内容：

通过上下文管理器打开文件并读取文件内容，并将数据存储在 AudioFile 实例中，然后通过 record()将整个文件中的数据记录到 AudioData 实例中，可通过检查音频类型来确认：

现在可以调用 recognition_google()来尝试识别音频中的语音。

以上就完成了第一个音频文件的录制。 利用偏移量和持续时间获取音频片段

若只想捕捉文件中部分演讲内容该怎么办？record() 命令中有一个 duration 关键字参数，可使得该命令在指定的秒数后停止记录。

噪声对语音识别的影响

噪声在现实世界中确实存在，所有录音都有一定程度的噪声，而未经处理的噪音可能会破坏语音识别应用程序的准确性。

尝试转录此文件时会发生什么？

那么该如何处理这个问题呢？可以尝试调用 Recognizer 类的adjust_for_ambient_noise()命令。

这样就与准确结果接近多了，但精确度依然存在问题，而且词组开头的 “the” 被丢失了，这是什么原因呢？

现在我们就得到了这句话的 “the”，但现在出现了一些新的问题——有时因为信号太吵，无法消除噪音的影响。

通过把 recognition_google()中 True 参数改成 show_all 来给出完整响应。

可以看到，recognition_google()返回了一个关键字为 ''alternative'' 的列表，指的是所有可能的响应列表。此响应列表结构会因 API 而异且主要用于对结果进行调试。 麦克风的使用

若要使用 SpeechRecognizer 访问麦克风则必须安装 PyAudio 软件包，请关闭当前的解释器窗口，进行以下操作： 安装 PyAudio

安装 PyAudio 的过程会因操作系统而异。

Debian Linux

如果使用的是基于 Debian的Linux(如 Ubuntu )，则可使用 apt 安装 PyAudio：

安装完成后可能仍需要启用 pip install pyaudio ，尤其是在虚拟情况下运行。

macOS

macOS 用户则首先需要使用 Homebrew 来安装 PortAudio，然后调用 pip 命令来安装 PyAudio。

Windows

Windows 用户可直接调用 pip 来安装 PyAudio。

安装测试

安装了 PyAudio 后可从控制台进行安装测试。

请确保默认麦克风打开并取消静音，若安装正常则应该看到如下所示的内容：

请对着麦克风讲话并观察 SpeechRecognition 如何转录你的讲话。 Microphone 类

请打开另一个解释器会话，并创建识一个别器类的例子。

此时将使用默认系统麦克风，而不是使用音频文件作为信号源。读者可通过创建一个Microphone 类的实例来访问它。

若系统没有默认麦克风(如在 RaspberryPi 上)或想要使用非默认麦克风，则需要通过提供设备索引来指定要使用的麦克风。读者可通过调用 Microphone 类的list_microphone_names()函数来获取麦克风名称列表。

注意：你的输出可能与上例不同。

list_microphone_names()返回列表中麦克风设备名称的索引。在上面的输出中，如果要使用名为 “front” 的麦克风，该麦克风在列表中索引为 3，则可以创建如下所示的麦克风实例：

但大多数情况下需要使用系统默认麦克风。

执行 with 块后请尝试在麦克风中说出 “hello” 。请等待解释器再次显示提示，一旦出现 “>>>” 提示返回就可以识别语音。

如果没有提示再次返回，可能是因为麦克风收到太多的环境噪音，请使用 Ctrl + C 中断这个过程，从而让解释器再次显示提示。

要处理环境噪声，可调用 Recognizer 类的 adjust_for_ambient_noise()函数，其操作与处理噪音音频文件时一样。由于麦克风输入声音的可预测性不如音频文件，因此任何时间听麦克风输入时都可以使用此过程进行处理。

运行上面的代码后稍等片刻，尝试在麦克风中说 “hello” 。同样，必须等待解释器提示返回后再尝试识别语音。

处理难以识别的语音

尝试将前面的代码示例输入到解释器中，并在麦克风中输入一些无法理解的噪音。你应该得到这样的结果：

无法被 API 匹配成文字的音频会引发 UnknownValueError 异常，因此要频繁使用 try 和 except 块来解决此类问题。API 会尽全力去把任何声音转成文字，如短咕噜声可能会被识别为 “How”，咳嗽声、鼓掌声以及舌头咔哒声都可能会被转成文字从而引起异常。