Python调用百度语音识别API：从入门到实战指南

2025年11月14日 互联网

Python调用百度语音识别API：从入门到实战指南

在人工智能技术飞速发展的今天，语音识别已成为人机交互的重要方式。百度语音识别API凭借其高准确率、低延迟和丰富的功能，成为开发者构建语音应用的热门选择。本文将系统介绍如何通过Python调用百度语音识别API，从环境准备到实际代码实现，帮助开发者快速上手。

一、百度语音识别API简介

百度语音识别API是百度智能云提供的云端语音识别服务，支持实时语音转文字、音频文件识别、长语音识别等多种场景。其核心优势包括：

  • 高准确率：基于深度学习模型，中文识别准确率超过98%
  • 多场景支持：覆盖普通话、英语、方言及垂直领域语音
  • 灵活调用：支持短音频（<60s）和长音频（>60s）识别
  • 实时反馈：流式API可实现边录音边识别

开发者通过RESTful API或WebSocket协议即可调用服务，无需自建语音识别模型，显著降低开发成本。

二、调用前的准备工作

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。新用户可领取免费资源包，包含一定时长的语音识别服务。

2. 创建语音识别应用

在控制台进入”语音技术”→”语音识别”页面，点击”创建应用”：

  • 填写应用名称（如MySpeechApp）
  • 选择应用类型（Web/iOS/Android/其他）
  • 描述应用场景（如”智能客服”）

创建后，系统会生成API Key和Secret Key，这是调用API的凭证，需妥善保管。

3. 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

如需处理音频文件，可安装pydub进行格式转换：

  1. pip install pydub

三、Python调用API的核心流程

1. 获取Access Token

调用API前需先获取访问令牌，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")
  11. # 使用示例
  12. api_key = "您的API Key"
  13. secret_key = "您的Secret Key"
  14. token = get_access_token(api_key, secret_key)
  15. print(f"Access Token: {token}")

2. 音频文件预处理

百度API支持WAV、AMR、MP3等格式，采样率建议16kHz或8kHz。使用pydub转换音频：

  1. from pydub import AudioSegment
  3. def convert_to_wav(input_path, output_path, sample_rate=16000):
  4.     audio = AudioSegment.from_file(input_path)
  5.     if audio.frame_rate != sample_rate:
  6.         audio = audio.set_frame_rate(sample_rate)
  7.     audio.export(output_path, format="wav")
  9. # 转换MP3为16kHz WAV
  10. convert_to_wav("input.mp3", "output.wav")

3. 发送识别请求

短音频识别（<60s）

  1. def recognize_short_audio(token, audio_path):
  2.     url = f"https://vop.baidu.com/server_api?cuid=your_device_id&token={token}"
  3.     with open(audio_path, "rb") as f:
  4.         audio_data = f.read()
  6.     headers = {
  7.         "Content-Type": "application/json"
  8.     }
  9.     params = {
  10.         "format": "wav",
  11.         "rate": 16000,
  12.         "channel": 1,
  13.         "token": token,
  14.         "cuid": "your_device_id",
  15.         "len": len(audio_data)
  16.     }
  18.     data = {
  19.         "format": "wav",
  20.         "rate": 16000,
  21.         "channel": 1,
  22.         "cuid": "your_device_id",
  23.         "token": token,
  24.         "speech": base64.b64encode(audio_data).decode("utf-8"),
  25.         "len": len(audio_data)
  26.     }
  28.     response = requests.post(url, json=data, headers=headers)
  29.     return response.json()
  31. # 使用示例
  32. result = recognize_short_audio(token, "output.wav")
  33. print(json.dumps(result, indent=2))

长音频识别（>60s）

需使用WebSocket协议，分片上传音频数据：

  1. import websocket
  2. import json
  3. import base64
  4. import threading
  5. import time
  7. def on_message(ws, message):
  8.     print(f"Received: {message}")
  10. def on_error(ws, error):
  11.     print(f"Error: {error}")
  13. def on_close(ws):
  14.     print("Connection closed")
  16. def on_open(ws, token, audio_path):
  17.     def run(*args):
  18.         with open(audio_path, "rb") as f:
  19.             while True:
  20.                 chunk = f.read(1280)  # 每次发送1280字节
  21.                 if not chunk:
  22.                     break
  24.                 # 构造数据帧
  25.                 frame = {
  26.                     "data": base64.b64encode(chunk).decode("utf-8"),
  27.                     "type": "audio"
  28.                 }
  29.                 ws.send(json.dumps(frame))
  30.                 time.sleep(0.05)  # 控制发送速率
  32.         # 发送结束标志
  33.         ws.send(json.dumps({"type": "finish"}))
  35.     threading.start_new_thread(run, ())
  37. def recognize_long_audio(token, audio_path):
  38.     websocket_url = f"wss://vop.baidu.com/websocket_api?token={token}&cuid=your_device_id"
  39.     ws = websocket.WebSocketApp(
  40.         websocket_url,
  41.         on_message=on_message,
  42.         on_error=on_error,
  43.         on_close=on_close
  44.     )
  45.     ws.on_open = on_open
  46.     ws.run_forever()
  48. # 使用示例（需先安装websocket-client）
  49. # pip install websocket-client
  50. recognize_long_audio(token, "long_audio.wav")

四、高级功能与优化

1. 实时语音识别

通过WebSocket实现边录音边识别，适用于语音助手等场景：

  1. # 需结合录音库如sounddevice
  2. import sounddevice as sd
  3. import numpy as np
  5. def realtime_recognition(token):
  6.     def callback(indata, frames, time, status):
  7.         if status:
  8.             print(status)
  9.         audio_data = indata.tobytes()
  10.         # 发送音频数据到WebSocket（类似长音频实现）
  11.         pass
  13.     with sd.InputStream(samplerate=16000, channels=1, callback=callback):
  14.         print("Speaking now (Ctrl+C to stop)...")
  15.         while True:
  16.             time.sleep(0.1)
  18. # 需处理WebSocket连接和音频发送逻辑

2. 参数调优

  • 语种设置：通过lan参数指定（zh中文，en英文）
  • 领域适配：使用pt参数优化垂直领域识别（如med医疗）
  • 热词增强：通过hotword参数提升特定词汇识别率

3. 错误处理与重试机制

  1. def safe_recognize(token, audio_path, max_retries=3):
  2.     for attempt in range(max_retries):
  3.         try:
  4.             result = recognize_short_audio(token, audio_path)
  5.             if result.get("err_no") == 0:
  6.                 return result
  7.             else:
  8.                 print(f"Error {result['err_no']}: {result['err_msg']}")
  9.         except Exception as e:
  10.             print(f"Attempt {attempt + 1} failed: {str(e)}")
  11.         time.sleep(2 ** attempt)  # 指数退避
  12.     raise Exception("Max retries exceeded")

五、最佳实践与注意事项

  1. 音频质量优化：

    • 采样率建议16kHz（电话音质可用8kHz）
    • 避免背景噪音，信噪比建议>15dB
    • 单声道音频处理更高效

  2. API调用限制：

    • 免费版QPS限制为5次/秒
    • 长音频识别需控制分片大小（建议1280字节/帧）
    • 每日调用次数受配额限制

  3. 安全建议：

    • 勿在前端代码中暴露API Key
    • 使用HTTPS协议传输敏感数据
    • 定期轮换Access Token

  4. 性能优化：

    • 批量处理短音频以减少网络开销
    • 使用多线程/异步IO提高吞吐量
    • 对长音频进行分段识别后合并结果

六、完整示例：从录音到识别

  1. import sounddevice as sd
  2. import numpy as np
  3. import base64
  4. import requests
  5. import json
  6. import time
  8. class SpeechRecognizer:
  9.     def __init__(self, api_key, secret_key):
  10.         self.api_key = api_key
  11.         self.secret_key = secret_key
  12.         self.token = None
  13.         self.refresh_token()
  15.     def refresh_token(self):
  16.         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}"
  17.         response = requests.get(auth_url)
  18.         self.token = response.json().get("access_token")
  20.     def record_audio(self, duration=5, filename="temp.wav"):
  21.         print(f"Recording for {duration} seconds...")
  22.         samples = int(16000 * duration)
  23.         recording = sd.rec(samples, samplerate=16000, channels=1, dtype="int16")
  24.         sd.wait()
  25.         sd.write(recording, 16000, filename)
  26.         return filename
  28.     def recognize_file(self, audio_path):
  29.         url = f"https://vop.baidu.com/server_api?cuid=test_device&token={self.token}"
  30.         with open(audio_path, "rb") as f:
  31.             audio_data = f.read()
  33.         data = {
  34.             "format": "wav",
  35.             "rate": 16000,
  36.             "channel": 1,
  37.             "cuid": "test_device",
  38.             "token": self.token,
  39.             "speech": base64.b64encode(audio_data).decode("utf-8"),
  40.             "len": len(audio_data)
  41.         }
  43.         response = requests.post(url, json=data)
  44.         result = response.json()
  46.         if result.get("err_no") != 0:
  47.             print(f"Error: {result.get('err_msg')}")
  48.             if "invalid token" in str(result):
  49.                 self.refresh_token()
  50.                 return self.recognize_file(audio_path)  # 重试
  52.         return result.get("result", [])
  54. # 使用示例
  55. if __name__ == "__main__":
  56.     recognizer = SpeechRecognizer("您的API Key", "您的Secret Key")
  57.     audio_file = recognizer.record_audio(duration=3)
  58.     text = recognizer.recognize_file(audio_file)
  59.     print("识别结果:", " ".join(text))

七、总结与展望

通过Python调用百度语音识别API，开发者可以快速构建语音交互应用。本文系统介绍了从环境准备到高级功能的完整流程，关键点包括：

  1. 正确获取和管理Access Token
  2. 音频文件的预处理与格式转换
  3. 短音频/长音频的不同调用方式
  4. 错误处理与性能优化策略

未来，随着语音技术的演进，百度API可能支持更多语种、更低的延迟和更高的准确率。开发者应关注官方文档更新，及时适配新特性。对于高并发场景，建议使用服务端SDK或考虑分布式架构设计。

通过合理利用百度语音识别API，开发者能够专注于业务逻辑实现，显著缩短产品开发周期，为用户提供更自然的交互体验。

最新文章