接入百度语音识别服务

gaoxianqu

目前百度开放了基于Android、IOS平台的语音识别SDK，和适合Web应用的RESTful Web API，支持在线应用和半离线应用(须定期联网更新认证文件，一般周期为一个月)。百度语音识别服务免费，只需注册百度开发者账号，便可创建相应的语音识别应用，获得ID key，接入百度语音识别服务。



“语音识别” 服务开通成功后即可获得 50000次/日 的在线识别调用配额。
如果开通服务时初始分配的在线识别调用配额无法满足您的需求，可以申请提高配额。
如果审核通过，则当前应用该服务的日调用次数将不再受配额限制。如果审核被拒绝，还可以再次提交申请。

百度语音识别目前有“离在线融合SDK”、“在线SDK”、“REST API”（官网下载地址）
如果你使用的是离在线融合语音识别SDK，并且需要使用离线识别，需要申请离线识别授权。操作如下
创建语音识别应用之后，在应用管理页面，点击“ 管理语音识别 ”选择 “ 申请离线识别授权 ” 。

选择应用类型为Android或者iOS，填写并提交离线授权所需信息：Android应用为应用包名，iOS应用为Bundle ID。提交成功后即获取离线识别正式授权。
注：请确保填写提交的信息准确，否则会无法通过离线授权验证导致离线识别不可用。

离线识别授权信息提交成功后，通过开发环境运行或者打包安装到手机设备上，在设备联网的情况下会自动下载正式授权文件并激活离线识别功能，一定要确保应用包名填写正确。


以Android离在线融合SDK为例，简介在项目中导入SDK的过程。
1.放置文件
   将开发包中的libs目录合并到工程目录的libs目录，其中包括了各平台的so库，可进行删减；
   将开发包中的res目录合并到工程目录的res目录；
2.配置manifest
   按照如下配置，uses-permission权限别忘了添加上去；

• ...
•     <uses-permission android:name="android.permission.RECORD_AUDIO" />
•     <uses-permission android:name="android.permission.INTERNET" />
•     <uses-permission android:name="android.permission.ACCESS_NETWORK_STATE" />
•     <uses-permission android:name="android.permission.ACCESS_WIFI_STATE" />
•     <uses-permission android:name="android.permission.CHANGE_WIFI_STATE" />
•     <uses-permission android:name="android.permission.READ_PHONE_STATE" />
•     <uses-permission android:name="android.permission.WRITE_EXTERNAL_STORAGE" />
•     ...
•     <application
•         android:icon="@drawable/ic_launcher"
•         android:label="@string/app_name">
•         <!-- begin: baidu speech sdk-->
•         <!-- 请填写应用实际的APP_ID -->
•         <meta-data android:name="com.baidu.speech.APP_ID" android:value="your app id"/>
•         <!-- 请填写应用实际的API_KEY -->
•         <meta-data android:name="com.baidu.speech.API_KEY" android:value="your api key"/>
•         <!-- 请填写应用实际的SECRET_KEY -->
•         <meta-data android:name="com.baidu.speech.SECRET_KEY" android:value="your api secret"/>
•         <service android:name="com.baidu.speech.VoiceRecognitionService" android:exported="false" />
•         <activity
•                 android:name="com.baidu.voicerecognition.android.ui.BaiduASRDigitalDialog"
•                 android:configChanges="orientation|keyboardHidden|screenLayout"
•                 android:theme="@android:style/Theme.Dialog"
•                 android:exported="false"
•                 android:screenOrientation="portrait">
•             <intent-filter>
•                 <action android:name="com.baidu.action.RECOGNIZE_SPEECH" />
•                 <category android:name="android.intent.category.DEFAULT" />
•             </intent-filter>
•         </activity>
•         <!-- end : baidu speech sdk-->
•         ...
•     </application>
•     ...
  

调用语音识别控件
语音识别控件是SDK内置的一个控件，优点是调用方便，可以像调起一个普通的Activity一样简单的使用语音识别；缺点是有百度的logo。

• public class DemoActivity extends Activity {
•     private static final int REQUEST_UI = 1;
•     private void start() {
•         Intent recognizerIntent = new Intent();
•         // TODO recognizerIntent.put("...", "...")可为recognizerIntent设置语音识别参数
•         startActivityForResult(recognizerIntent, REQUEST_UI); //调用语音识别控件
•     }
•     @Override
•     protected void onActivityResult(int requestCode, int resultCode, Intent data) {
•         super.onActivityResult(requestCode, resultCode, data);
•         if (resultCode == RESULT_OK) {
•             ArrayList<String> results = data.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION);
•             // TODO results为识别结果,这里可以添加应用逻辑，上面的代码无需修改
•         }
•     }
• }
  

调用语音识别API
1.通过android.speech.SpeechRecognizer的静态方法创建语音识别监听器,代码无需修改

• private android.speech.SpeechRecognizer mSpeechRecognizer;
•        @Override
•     protected void onCreate(Bundle savedInstanceState) {
•         super.onCreate(savedInstanceState);
•         // ...
•         mSpeechRecognizer = SpeechRecognizer.createSpeechRecognizer(this, new ComponentName(this, VoiceRecognitionService.class));        
•     }
  

2.为监听器设置回调"函数"

• RecognitionListener listener = new RecognitionListener() {
•             // ..., 处理识别过程中产生的消息和最终的识别结果（或错误码）
•         };
•         mSpeechRecognizer.setRecognitionListener(listener);
  

3.开始识别

• Intent recognizerIntent = new Intent();
•        // recognizerIntent.putExtra ...传递语音识别参数
•        mSpeechRecognizer.startListening(recognizerIntent);
  

4.获得结果

• @Override
•     protected void onActivityResult(int requestCode, int resultCode, Intent data) {
•         super.onActivityResult(requestCode, resultCode, data);
•         if (resultCode == RESULT_OK) {
•             ArrayList<String> results = data.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION);
•             // TODO results为识别结果,这里可以添加应用逻辑，上面的代码无需修改
•         }
•     }
  

语音识别 REST API
百度语音识别通过 REST API 的方式给开发者提供一个通用的 HTTP 接口，基于该接口，开发者可以获取语音识别服务。正式地址：http://vop.baidu.com/server_api
REST API 支持整段录音文件的识别，对录音格式有一定的要求，原始 PCM 的录音参数必须符合 8k/16k 采样率、16bit 位深、单声道，支持的压缩格式有：pcm（不压缩）、wav、opus、speex、amr、x-flac。
用户端自行录音，获得符合要求的音频文件后，将语音数据和其他参数通过 POST 上传给服务器。目前 API 仅支持整段语音识别的模式，即需要上传整段语音进行识别。


显示上传
语音数据直接放在 HTTP-BODY 中，控制参数以及相关统计信息通过 REST 参数传递，REST参数说明：

字段名	数据类型	可需	描述
cuid	string	必填	用户 ID，推荐使用设备mac 地址/手机IMEI 等设备唯一性参数
token	string	必填	开发者身份验证密钥
lan	string	选填	语种选择，中文=zh、粤语=ct、英文=en，不区分大小写，默认中文
ptc	int	选填	协议号，下行识别结果选择，默认 nbest 结果

语音数据的采样率和压缩格式在 HTTP-HEADER 里的 content-type 表明

• Content-Type:audio/amr;rate=8000
  

上传示例

• http://vop.baidu.com/server_api?lan=zh&cuid=***&token=***
  

隐示上传
语音数据和其他参数通过标准 JSON 格式串行化 POST 上传， JSON 里包括的参数：

字段名	数据类型	可需	描述
format	sting	必填	语音压缩的格式，请填写上述格式之一，不区分大小写
rate	int	必填	采样率，支持 8000 或者 16000
channel	int	必填	声道数，仅支持单声道，请填写 1
cuid	string	必填	用户唯一标识，用来区分用户，填写机器 MAC 地址或 IMEI 码，长度为60以内
token	string	必填	开放平台获取到的开发者access_token
ptc	int	选填	协议号，下行识别结果选择，默认 nbest 结果
lan	string	选填	语种选择，中文=zh、粤语=ct、英文=en，不区分大小写，默认中文
url	string	选填	语音下载地址
callback	string	选填	识别结果回调地址
speech	string	选填	真实的语音数据 ，需要进行base64 编码
len	int	选填	原始语音长度，单位字节

语音数据放在 JSON 序列的“speech”字段中，需要将语音先进行 base64编码，并标明语音数据的原始长度，填写“len”字段；也可以直接提供语音下载地址放在“url”字段中，并且提供识别结果的回调地址，放在“callback”参数中。因此“speech”和“len”参数绑定，“url”和“callback”参数绑定，这两组参数二选一填写，如果都填，默认处理第一种。
表单类型在 HTTP-HEADER 里的 content-type 表明

• Content-Type:application/json
  

上传示例

• {
•     "format":"speex",
•     "rate":8000,
•     "channel":1,
•     "token":xxx,
•     "cuid":"baidu_workshop",
•     "len":4096,
•     "speech":"xxx",
• }
• len 字段表示原始语音长度，不是 base64 编码之后的长度。
  

下行接口
两种上传方式都返回统一的结果，采用 JSON 格式封装，如果识别成功，识别结果放在 JSON的“result”字段中，统一采用 utf-8 方式编码。

字段名	数据类型	可需	描述
err_no	int	必填	错误码
err_msg	string	必填	错误码描述
sn	string	必填	语音数据唯一标识，系统内部产生，用于 debug
result	array ( [string,string,…])	选填	识别结果数组，提供1-5 个候选结果， string 类型为识别的字符串， utf-8 编码

识别成功返回 case

• {\"err_no\":0,\"err_msg\":\"success.\",\"corpus_no\":\"15984125203285346378\",\"sn\":\"481D633F-73BA-726F-49EF-8659ACCC2F3D\",\"result\":[\"北京天气\"]}
  

识别错误返回 case

• {"err_no":2000,"err_msg":"data empty.","sn":null}
  

错误码	含义
3300	输入参数不正确
3301	识别错误
3302	验证失败
3303	语音服务器后端问题
3304	请求 GPS 过大，超过限额
3305	产品线当前日请求数超过限额