使用google voice api

QiHY

2013-06-20

关注关注

最近在使用Qt编写一个客户端程序的时候需要增加语音识别输入的功能。起初尝试使用SAPI来完成这个任务，但是发现SAPI不仅使用起来超级复杂，而且识别效果也很惨烈。于是就需要寻找一个更加便捷优秀的方案。

自从Chrome 11开始，Chrome开始支持HTML5的语音输入API，QQ紧接着也推出了语音识别输入（可以看做跟风么:D)。显然这些识别操作不可能在本地完成，那么我们就有直接利用接口的可能。

对Chromium的repo进行搜索之后，终于找到了Chromium对语音识别的实现代码：

http://src.chromium.org/viewvc/chrome/trunk/src/content/browser/speech/

分析过程就算了，直接上成果。

Chromium先从mic获取音频，然后使用flac或者speex进行编码，直接通过HTTPS POST到服务器。接口地址如下：

https://www.google.com/speech-api/v1/recognize

Chromium在请求时还会拼上很多参数：

xjerr=1&client=chromium&lang=en-US&maxresults=1

注：参数解释

xjerr=1 # 不详，猜测为错误的标准

client=chromium # 客户端类型，这里是Chromium，猜测Chrome也应该可行，估计是作为统计用的。

lang=en-US # 语言类型，这里是英文，中文为zh-CN，其余语言代码参考：http://msdn.microsoft.com/en-us/library/ms533052(v=vs.85).aspx

maxresults=1 # 最大返回结果数量，多个结果在hypotheses列表中保存。

参数很明了，这给我们提供了很多便利。我们对参数进行调整，得到如下的接口地址：

http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1

接下来祭出wget，对已经发现的接口进行测试：

[plain]view plaincopyprint? 
flac.exe -8 -f --sample-rate=16000 speechInput.wav  

[plain]view plaincopyprint? 
wget -O "GoogleSpeechAPI.txt" --user-agent="Mozilla/5.0" --post-file=test.flac --header="Content-Type: audio/x-flac; rate=16000" "http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1"  

结果如下：

[javascript]view plaincopyprint? 
{  
    "status":0,    /* 结果代码，详细见本文结尾 */  
    "id":"c421dee91abe31d9b8457f2a80ebca91-1",    /* 识别编号 */  
    "hypotheses":    /* 假设，即结果 */  
    [  
        {  
            "utterance":"下午好",    /* 话语 */  
            "confidence":0.2507637    /* 信心，即准确度 */  
        }  
    ]  
}  

注：注释后为手工添加的结果解释

返回结果太明了了！直接就能拿来用了不是~ 返回的编码是UTF-8。

对于编码格式，在测试中使用了FLAC编码，采样率为16kHz，经测试其他采样率同样可用，但一定要保证Header里的rate与实际数据相符。（关于其他格式的实验请看本文底部。）

总结：

1、基本流程：

一、从音频输入设备获取原始数据。

二、对原始数据进行包装、编码。

三、将编码后的音频POST至接口地址。

四、分析处理接口返回的JSON并得出结果。

2、请求接口

地址：http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1

请求方式：HTTP POST

头部信息：Content-Type: audio/x-flac; rate=16000 （注：Content-Type根据所使用的编码格式不同而不同，详见文章底部。rate为音频采样率。）

请求数据：编码后的音频数据

3、音频编码格式：

FLAC或WAV或SPEEX

下面是我写的Qt(C++)中的请求：

[cpp]view plaincopyprint? 
void Protocol::Request_SPEECH(QByteArray & audioData)  
{  
    if (!Nt_SPEECH)  
    {  
        QNetworkRequest request;  
        QString speechAPI = "http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1";  
        request.setUrl(speechAPI);  
  
        request.setRawHeader("User-Agent", "Mozilla/5.0");  
        request.setRawHeader("Content-Type", "audio/x-flac; rate=16000");  
  
        Nt_SPEECH = NetworkMGR.post(request, audioData);  
        connect(Nt_SPEECH, SIGNAL(readyRead()), this, SLOT(Read_SPEECH()));  
    }  
}  