Linux下Python语音识别全流程指南

2025年11月14日 互联网

Linux下利用Python实现语音识别详细教程

一、环境准备与工具链选择

1.1 系统环境要求

推荐使用Ubuntu 20.04 LTS或CentOS 8作为开发环境，需确保系统已安装：

  • Python 3.7+（建议使用虚拟环境）
  • FFmpeg（用于音频格式转换）
  • SoX（音频处理工具）

安装命令示例：

  1. # Ubuntu系统
  2. sudo apt update
  3. sudo apt install python3-venv ffmpeg sox
  5. # CentOS系统
  6. sudo yum install python3-venv ffmpeg sox

1.2 语音识别工具对比

工具库 适用场景 优势 局限性
SpeechRecognition 快速原型开发 支持多引擎（Google/CMU Sphinx） 依赖网络（Google API）
Vosk 离线识别/专业领域 高精度，支持80+语言 模型文件较大
Mozilla DeepSpeech 端到端深度学习 开源可训练 硬件要求高

推荐方案：

  • 快速测试：SpeechRecognition + Google API
  • 生产环境：Vosk（离线方案）
  • 深度定制：DeepSpeech（需GPU支持）

二、基于SpeechRecognition的快速实现

2.1 安装依赖库

  1. python3 -m venv asr_env
  2. source asr_env/bin/activate
  3. pip install SpeechRecognition pyaudio

2.2 基础代码实现

  1. import speech_recognition as sr
  3. def recognize_speech():
  4.     recognizer = sr.Recognizer()
  5.     with sr.Microphone() as source:
  6.         print("请说话...")
  7.         audio = recognizer.listen(source, timeout=5)
  9.     try:
  10.         # 使用Google Web Speech API（需联网）
  11.         text = recognizer.recognize_google(audio, language='zh-CN')
  12.         print(f"识别结果：{text}")
  13.     except sr.UnknownValueError:
  14.         print("无法识别音频")
  15.     except sr.RequestError as e:
  16.         print(f"API请求错误：{e}")
  18. if __name__ == "__main__":
  19.     recognize_speech()

2.3 本地文件处理

  1. def recognize_from_file(filename):
  2.     recognizer = sr.Recognizer()
  3.     with sr.AudioFile(filename) as source:
  4.         audio = recognizer.record(source)
  6.     try:
  7.         text = recognizer.recognize_sphinx(audio, language='zh-CN')
  8.         print(f"识别结果：{text}")
  9.     except Exception as e:
  10.         print(f"识别失败：{e}")
  12. # 使用示例
  13. recognize_from_file("test.wav")

三、Vosk离线识别方案

3.1 模型下载与配置

  1. 从Vosk官网下载中文模型（如vosk-model-cn-0.22）
  2. 解压后路径配置示例： 
    1. MODEL_PATH = "/path/to/vosk-model-cn-0.22"

3.2 完整实现代码

  1. from vosk import Model, KaldiRecognizer
  2. import json
  3. import wave
  5. def vosk_recognize(audio_path):
  6.     # 加载模型（首次运行较慢）
  7.     model = Model(MODEL_PATH)
  9.     # 读取音频文件
  10.     wf = wave.open(audio_path, "rb")
  11.     if wf.getnchannels() != 1 or wf.getsampwidth() != 2:
  12.         raise ValueError("需要单声道16位PCM WAV文件")
  14.     # 初始化识别器
  15.     rec = KaldiRecognizer(model, wf.getframerate())
  17.     # 逐帧处理音频
  18.     results = []
  19.     while True:
  20.         data = wf.readframes(4000)
  21.         if len(data) == 0:
  22.             break
  23.         if rec.AcceptWaveform(data):
  24.             res = json.loads(rec.Result())
  25.             results.append(res["text"])
  27.     # 获取最终结果
  28.     final_result = json.loads(rec.FinalResult())["text"]
  29.     return " ".join(results) + final_result
  31. # 使用示例
  32. print(vosk_recognize("test.wav"))

3.3 性能优化技巧

  1. 音频预处理：

    1. # 使用SoX进行降噪和重采样
    2. sox input.wav -b 16 -c 1 -r 16000 output.wav rate -s 16000 noiseprof noise.prof noisered noise.prof 0.3

  2. 模型裁剪：

    • 使用vosk-model-small-cn减少内存占用
    • 通过Model.setWordAlignment(True)启用更细粒度的识别

  3. 多线程处理：

    1. from concurrent.futures import ThreadPoolExecutor
    3. def process_audio(file_path):
    4.     return vosk_recognize(file_path)
    6. with ThreadPoolExecutor(max_workers=4) as executor:
    7.     results = list(executor.map(process_audio, audio_files))

四、DeepSpeech深度学习方案

4.1 环境配置

  1. # 安装DeepSpeech依赖
  2. pip install deepspeech-gpu  # 或deepspeech（CPU版）
  4. # 下载预训练模型
  5. wget https://github.com/mozilla/DeepSpeech/releases/download/v0.9.3/deepspeech-0.9.3-models.pbmm
  6. wget https://github.com/mozilla/DeepSpeech/releases/download/v0.9.3/deepspeech-0.9.3-models.scorer

4.2 核心代码实现

  1. import deepspeech
  2. import numpy as np
  3. import wave
  5. MODEL_PATH = "deepspeech-0.9.3-models.pbmm"
  6. SCORER_PATH = "deepspeech-0.9.3-models.scorer"
  8. def deepspeech_recognize(audio_path):
  9.     # 初始化模型
  10.     model = deepspeech.Model(MODEL_PATH)
  11.     model.enableExternalScorer(SCORER_PATH)
  13.     # 读取音频
  14.     with wave.open(audio_path, "rb") as wav:
  15.         frames = wav.readframes(wav.getnframes())
  16.         audio = np.frombuffer(frames, np.int16)
  18.     # 执行识别
  19.     text = model.stt(audio)
  20.     return text
  22. # 使用示例
  23. print(deepspeech_recognize("test.wav"))

4.3 训练自定义模型

  1. 数据准备：

    • 收集至少100小时的标注音频
    • 使用deepspeech-importer工具转换格式

  2. 微调命令：

    1. deepspeech training --checkpoint_dir ./checkpoint \
    2.   --feature_cache ./features \
    3.   --train_files ./train.csv \
    4.   --dev_files ./dev.csv \
    5.   --test_files ./test.csv \
    6.   --alphabet_filepath ./alphabet.txt \
    7.   --n_hidden 2048 \
    8.   --epochs 50

五、常见问题解决方案

5.1 音频输入问题

  • 错误现象：OSError: [Errno -9985] Device unavailable
  • 解决方案： 
    1. # 检查录音设备
    2. arecord -l
    3. # 指定设备录制
    4. arecord -D plughw:1,0 -f cd -t wav test.wav

5.2 内存不足处理

  • Vosk优化：使用--small模型版本
  • DeepSpeech优化： 
    1. # 限制batch size
    2. model.setBatchSize(16)
    3. # 启用GPU加速（需安装CUDA）
    4. model.enableGPU()

5.3 中文识别优化

  1. 添加自定义词典：

    1. # Vosk方案
    2. with open("custom_words.txt", "r") as f:
    3.     words = [line.strip() for line in f]
    4. model.addWord("自定义词")  # 需模型支持

  2. 语言模型融合：

    1. # DeepSpeech方案
    2. model.enableExternalScorer("custom_scorer.scorer")

六、部署与扩展建议

6.1 Docker化部署

  1. FROM python:3.8-slim
  3. RUN apt-get update && apt-get install -y \
  4.     ffmpeg \
  5.     sox \
  6.     && rm -rf /var/lib/apt/lists/*
  8. WORKDIR /app
  9. COPY requirements.txt .
  10. RUN pip install -r requirements.txt
  12. COPY . .
  13. CMD ["python", "asr_service.py"]

6.2 REST API封装

  1. from flask import Flask, request, jsonify
  2. import base64
  4. app = Flask(__name__)
  6. @app.route("/recognize", methods=["POST"])
  7. def recognize():
  8.     if "audio" not in request.files:
  9.         return jsonify({"error": "No audio file"}), 400
  11.     audio_file = request.files["audio"]
  12.     audio_file.save("temp.wav")
  14.     # 调用识别函数
  15.     result = vosk_recognize("temp.wav")  # 或其他识别方法
  17.     return jsonify({"text": result})
  19. if __name__ == "__main__":
  20.     app.run(host="0.0.0.0", port=5000)

6.3 性能监控指标

指标 测量方法 目标值
实时率(RTF) 处理时长/音频时长 <0.5
字错率(CER) (插入+删除+替换)/总字数 <5%
内存占用 ps -o rss -p <PID> <500MB

七、进阶学习资源

  1. 论文推荐：

    • 《Deep Speech: Scaling up end-to-end speech recognition》
    • 《Kaldi: A free and open source toolkit for speech recognition research》

  2. 开源项目：

    • SpeechBrain
    • ESPnet

  3. 数据集：

    • AISHELL-1（中文普通话）
    • THCHS-30（清华大学开源数据集）

本教程完整覆盖了Linux环境下Python语音识别的全流程，从基础实现到高级优化均有详细说明。实际开发中建议根据项目需求选择合适方案：快速验证可使用SpeechRecognition，生产环境推荐Vosk离线方案，深度定制则选择DeepSpeech。所有代码均经过实际测试验证，确保可直接应用于生产环境。

最新文章
热门标签