用于为 Lex 转换 MP3 输入的 AWS Lambda 代码

Question

我有一个驻留在用户本地移动设备上的解决方案，我希望它使用 AWS REST API 将音频内容发布到 Lex。问题是该解决方案无法流式传输音频（向上或向下）并且在本地几乎没有音频处理能力。然而，Lex 有非常具体的输入要求和流输出。

因此访问将通过充当代理的 API 网关使用 Lambda (Python 2.7) 函数来处理音频问题。

输出已全部处理完毕，Lambda 代码将 AudioStream 保存到文件中并将该文件作为响应正文发送，这工作正常。但是我无法让输入起作用。

输入音频是作为 POST 请求正文发送的 MP3 文件，我需要将其转换为 Lex 可接受的格式。

我研究了以下方法

原生 AWS
使用 S3 和 Elastic Transcoder - 转码为 PCM 时允许的最低采样率为 22050，但 Lex 要求 16000，这似乎也不允许转码为 Opus 格式

使用 MediaConvert - 看不到要转换为 PCM 或 Opus 的设置

原生 Python
Python 似乎没有本机解压 MP3 的能力。我读到这会很慢，不值得做。

导入库
使用 ffmpeg-python 或 ffmpy - 但这涉及创建部署包或类似的东西。我可以走这条路，但这对于我想做的事情来说似乎过于复杂了。

使用 Python 以外的东西
我选择了 Python，因为我更熟悉在 Lambda 中使用它进行编码，但也许 C#、Node、Java 8 有一些可用的东西可以使这在 Lambda 函数中变得容易。

目前我正在考虑执行以下操作

• 使用 Python 将 MP3 文件保存到 S3 存储桶
• 让 Elastic Transcoder 以 22050 采样率将该 MP3 转换为 PCM（但所有其他设置都设置为 Lex 需要）
• Lambda 从 S3 读回转码文件
• 使用wave（import wav）库读取文件，然后以16000的采样率写入文件（这个步骤我不确定）
• 将文件（以正确的采样率）发布到 Lex

当然这里会有一些延迟问题，但只要它们不太严重，我愿意忍受它们。对于我认为相当简单的任务来说，这似乎过于复杂。不过，这是迄今为止我想出的最好的，但即使要证明它也需要花费数小时的时间，而且我已经花了好几天的时间。

那么主要的问题是是否可以在 AWS Lambda 中使用 Python Wave 库以这种方式修改采样率？

如果没有，有没有办法通过创建部署包、使用我尚未研究的 AWS 功能或在 Python 以外的其他东西中更简洁的方式来解决这个问题？

问题是这个应用程序的 Lex 部分应该是一个不错的选择，它不是主要功能，但它占用了大部分开发时间，我几乎要放弃它了但我想我会先在这里问。

Answer 1

所以花了一段时间，但有办法做到这一点。

我解决的方法是将文件保存到s3，然后通过Elastic Transcoder运行得到一个wav文件（1个通道，22050采样率）。

然后使用以下 var 值

• inrate=22050
• outrate=16000
• inchannels=2
• outchannels=1

这段代码应该把它降到 16000

import audioop
import wave

s_read = wave.open(src, 'r')
s_write = wave.open(dst, 'w')

n_frames = s_read.getnframes()
data = s_read.readframes(n_frames)

converted = audioop.ratecv(data, 1, inchannels, inrate, outrate, None)

s_write.setparams((outchannels, 2, outrate, 0, 'NONE', 'Uncompressed'))
s_write.writeframes(converted[0])

s_read.close()
s_write.close()

该文件随后被 Lex 接受并得到预期的响应。

这种方法有一些明显的延迟，根据 CloudWatch Logs，处理时间通常约为 7-10 秒，因此对于生产级解决方案可能不可接受，但它足以满足我的需求。

感谢以下来源

• https://stackoverflow.com/a/30660779/6106
• https://github.com/rpinsler/deep-speechgen/blob/master/downsample.py