Python，speech_recognition 工具无法识别 .wav 文件

Question

我生成了一个 .wav 音频文件，其中包含一些语音和一些其他干扰语音在背景中。 此代码适用于我的测试 .wav 文件：

    import speech_recognition as sr

    r = sr.Recognizer()
    with sr.WavFile(wav_path) as source:
        audio = r.record(source)

    text = r.recognize_google(audio)

如果我使用我的 .wav 文件，我会收到以下错误：

ValueError：音频文件无法读取为 PCM WAV、AIFF/AIFF-C 或 Native FLAC；检查文件是否损坏或其他格式

如果我用声音文件保存这个 .wav 文件，情况会稍微好转：

    import soundfile as sf        

    wav, samplerate = sf.read(wav_path)
    sf.write(saved_wav_path, original_wav, fs)

然后将新的 saved_wav_path 加载回第一个代码块，这次我得到：

如果不是 isinstance(actual_result, dict) 或 len(actual_result.get("alternative", [])) == 0: raise UnknownValueError()

音频文件保存为

    wavfile.write(wav_path, fs, data)

其中 wav_path = 'data.wav'。有什么想法吗？

解决方案：

按以下方式保存音频数据会生成正确的 .wav 文件：

    import wavio
    wavio.write(wav_path, data, fs ,sampwidth=2)

Answer 1

从speech_recognition 包中的代码看，它似乎使用Python 标准库中的wave 来读取WAV 文件。 Python 的 wave 库不处理浮点 WAV 文件，因此您必须确保将 speech_recognition 用于以整数格式保存的文件。

SciPy 的函数scipy.io.wavfile.write 将创建一个整数文件，如果你向它传递一个整数数组。所以如果data是一个浮点numpy数组，你可以试试这个：

from scipy.io import wavfile

# Convert `data` to 32 bit integers:
y = (np.iinfo(np.int32).max * (data/np.abs(data).max())).astype(np.int32)

wavfile.write(wav_path, fs, y)

然后尝试使用speech_recognition 读取该文件。

或者，您可以使用wavio（我创建的一个小型库）将您的数据保存到 WAV 文件中。它还使用 Python 的 wave 库来创建其输出，因此 speech_recognition 应该能够读取它创建的文件。

Answer 2

我无法从其文档中弄清楚 wavio 的 sampwidth 应该是多少；但是，我添加了以下行 sounddevice.default.dtype='int32', 'int32'，它允许 sounddevice、scipy.io.wavfile.write / soundfile 和 speech_recognizer 最终一起工作。 sounddevice 的默认 dtype 是 float32 的输入和输出。我尝试只更改输出，但它没有用。奇怪的是，大胆仍然认为输出文件在 float32 中。我并不是说这是一个更好的解决方案，但它确实适用于 soundfile 和 scipy。

我还注意到另一个奇怪的地方。当 sounddevice.default.dtype 保留为默认值 [float32, float32] 时，我大胆地打开了生成的文件。我大胆地把它导出了，这个导出的 wav 可以与语音识别器一起使用。 Audacity 说它的输出是 float32 和相同的采样率，所以我不完全理解。我是一个菜鸟，但在十六进制编辑器中查看了这两个文件，前 64 个十六进制值看起来相同，然后它们不同......所以看起来标题是相同的。这两个看起来与我使用 int32 输出制作的文件非常不同，所以似乎还有另一个因素在起作用......