Python调用百度语音识别API全攻略：从入门到实战

2025年10月17日 互联网

Python调用百度语音识别API全攻略：从入门到实战

一、技术背景与价值

随着人工智能技术的普及，语音识别已成为人机交互的核心环节。百度语音识别API凭借其高准确率（短语音识别准确率达98%以上）、多场景支持（支持中英文混合、方言识别）和低延迟特性，成为开发者实现语音转文字功能的优选方案。通过Python调用该API，开发者可快速构建智能客服、语音笔记、会议纪要生成等应用，显著提升开发效率。

二、环境准备与依赖安装

1. 注册百度智能云账号

访问百度智能云官网，完成实名认证并开通“语音识别”服务。创建应用后，获取API Key和Secret Key，这是调用API的唯一凭证。

2. 安装Python依赖库

推荐使用requests库发送HTTP请求，安装命令：

  1. pip install requests

若需处理音频文件，可额外安装pydub（音频格式转换）和ffmpeg（音频解码）：

  1. pip install pydub
  2. # 需单独安装ffmpeg（官网下载或通过包管理器安装）

三、API调用流程详解

1. 获取Access Token

百度API采用OAuth2.0认证机制，需通过API Key和Secret Key获取临时令牌（有效期30天）。代码示例：

  1. import requests
  2. import base64
  3. import hashlib
  4. import json
  6. def get_access_token(api_key, secret_key):
  7.     auth_url = f"https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={api_key}&client_secret={secret_key}"
  8.     response = requests.get(auth_url)
  9.     return response.json().get("access_token")

关键点：

  • 令牌过期后需重新获取，建议缓存令牌并设置定时刷新。
  • 避免硬编码密钥，推荐通过环境变量或配置文件管理。

2. 音频文件预处理

百度语音识别API支持以下格式：

  • 短语音识别：WAV（16bit/16kHz/单声道）、PCM、AMR、MP3，时长≤60秒。
  • 长语音识别：支持更长时间音频，需分块上传。

使用pydub转换音频格式示例：

  1. from pydub import AudioSegment
  3. def convert_to_wav(input_path, output_path):
  4.     audio = AudioSegment.from_file(input_path)
  5.     audio.export(output_path, format="wav", bitrate="16k", parameters=["-ac", "1"])  # 单声道

优化建议：

  • 采样率统一为16kHz，避免因采样率不匹配导致识别失败。
  • 压缩音频文件大小（如MP3转PCM），减少网络传输时间。

3. 发起识别请求

短语音识别（同步接口）

适用于实时性要求高的场景（如语音指令）。代码示例：

  1. def short_speech_recognition(access_token, audio_path):
  2.     speech_url = f"https://aip.baidubce.com/rpc/2.0/speech/v1/recognise?access_token={access_token}"
  4.     # 读取音频文件（二进制）
  5.     with open(audio_path, "rb") as f:
  6.         audio_data = f.read()
  8.     headers = {"Content-Type": "application/x-www-form-urlencoded"}
  9.     data = {
  10.         "format": "wav",
  11.         "rate": 16000,
  12.         "channel": 1,
  13.         "cuid": "your_device_id",  # 唯一设备标识
  14.         "len": len(audio_data),
  15.         "speech": base64.b64encode(audio_data).decode("utf-8")
  16.     }
  18.     response = requests.post(speech_url, data=data, headers=headers)
  19.     return response.json()

参数说明：

  • format：音频格式（必须与实际文件一致）。
  • rate：采样率（16000Hz）。
  • channel：声道数（1为单声道）。

长语音识别（异步接口）

适用于会议录音、访谈等长音频。需先上传音频文件获取任务ID，再轮询结果。代码示例：

  1. def long_speech_recognition(access_token, audio_path):
  2.     # 1. 上传音频获取任务ID
  3.     upload_url = f"https://aip.baidubce.com/rpc/2.0/speech/v1/create?access_token={access_token}"
  4.     with open(audio_path, "rb") as f:
  5.         audio_data = f.read()
  7.     upload_data = {
  8.         "format": "wav",
  9.         "rate": 16000,
  10.         "channel": 1,
  11.         "cuid": "your_device_id",
  12.         "speech": base64.b64encode(audio_data).decode("utf-8")
  13.     }
  14.     upload_response = requests.post(upload_url, data=upload_data)
  15.     task_id = upload_response.json().get("result")[0].get("task_id")
  17.     # 2. 轮询查询结果
  18.     query_url = f"https://aip.baidubce.com/rpc/2.0/speech/v1/query?access_token={access_token}"
  19.     while True:
  20.         query_data = {"task_id": task_id}
  21.         result = requests.post(query_url, data=query_data).json()
  22.         if result.get("result"):
  23.             return result["result"][0]  # 返回识别结果
  24.         time.sleep(1)  # 间隔1秒轮询

四、错误处理与优化

1. 常见错误及解决方案

  • 401 Unauthorized：Access Token过期或无效，需重新获取。
  • 413 Request Entity Too Large：音频文件过大，需压缩或分块上传。
  • 500 Internal Server Error：服务器异常，建议实现重试机制。

2. 性能优化建议

  • 批量处理：对多段短音频，可合并为长音频减少请求次数。
  • 异步处理：长语音识别使用异步接口，避免阻塞主线程。
  • 日志记录：记录请求参数、响应时间及错误信息，便于调试。

五、完整代码示例

  1. import requests
  2. import base64
  3. import time
  4. from pydub import AudioSegment
  6. class BaiduASR:
  7.     def __init__(self, api_key, secret_key):
  8.         self.api_key = api_key
  9.         self.secret_key = secret_key
  10.         self.access_token = None
  11.         self.token_expire_time = 0
  13.     def get_access_token(self):
  14.         if time.time() < self.token_expire_time - 300:  # 提前5分钟刷新
  15.             return self.access_token
  17.         auth_url = f"https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={self.api_key}&client_secret={self.secret_key}"
  18.         response = requests.get(auth_url)
  19.         data = response.json()
  20.         self.access_token = data["access_token"]
  21.         self.token_expire_time = time.time() + data["expires_in"]
  22.         return self.access_token
  24.     def short_recognize(self, audio_path):
  25.         token = self.get_access_token()
  26.         url = f"https://aip.baidubce.com/rpc/2.0/speech/v1/recognise?access_token={token}"
  28.         with open(audio_path, "rb") as f:
  29.             audio_data = f.read()
  31.         data = {
  32.             "format": "wav",
  33.             "rate": 16000,
  34.             "channel": 1,
  35.             "cuid": "python_client",
  36.             "len": len(audio_data),
  37.             "speech": base64.b64encode(audio_data).decode("utf-8")
  38.         }
  39.         response = requests.post(url, data=data)
  40.         return response.json()
  42. # 使用示例
  43. if __name__ == "__main__":
  44.     asr = BaiduASR("your_api_key", "your_secret_key")
  45.     result = asr.short_recognize("test.wav")
  46.     print("识别结果:", result)

六、总结与展望

通过Python调用百度语音识别API，开发者可快速实现高精度的语音转文字功能。关键步骤包括：

  1. 获取Access Token并管理其生命周期。
  2. 预处理音频文件（格式、采样率、声道）。
  3. 根据场景选择同步或异步接口。
  4. 实现错误处理和性能优化。

未来，随着语音识别技术的演进，百度API可能支持更多语言、更低延迟和更高并发。开发者应持续关注百度智能云文档，及时升级调用方式。

最新文章