原文：http://blog.csdn.net/dlangu0393/article/details/7214728#comments

近期重写本文，暂时禁止评论。

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：

  1. flac.exe -8 -f --sample-rate=16000 speechInput.wav
  1. 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
plain copy

print?

  1. {
  2. "status":0,    /* 结果代码，详细见本文结尾 */
  3. "id":"c421dee91abe31d9b8457f2a80ebca91-1",    /* 识别编号 */
  4. "hypotheses":    /* 假设，即结果 */
  5. [
  6. {
  7. "utterance":"下午好",    /* 话语 */
  8. "confidence":0.2507637    /* 信心，即准确度 */
  9. }
  10. ]
  11. }

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

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：

  1. void Protocol::Request_SPEECH(QByteArray & audioData)
  2. {
  3. if (!Nt_SPEECH)
  4. {
  5. QNetworkRequest request;
  6. QString speechAPI = "http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1";
  7. request.setUrl(speechAPI);
  8. request.setRawHeader("User-Agent", "Mozilla/5.0");
  9. request.setRawHeader("Content-Type", "audio/x-flac; rate=16000");
  10. Nt_SPEECH = NetworkMGR.post(request, audioData);
  11. connect(Nt_SPEECH, SIGNAL(readyRead()), this, SLOT(Read_SPEECH()));
  12. }
  13. }

至于读取函数，就不贴在这里了，具体见：

Protocol: http://pastebin.com/6G6wggfF

AudioInput:

speechInput.h: http://pastebin.com/qdMPeWZD

speechInput.cpp: http://pastebin.com/567B47qF

main:

mainwidget: http://pastebin.com/c8bk7zd2

在翻阅Chromium源码的过程之中，还发现了其他有用的东西：

Speech Input API Specification http://www.w3.org/2005/Incubator/htmlspeech/2010/10/google-api-draft.html

到目前为止，Google好像还没有公开这个API，使用许可依旧不详，请求也没有用到任何认证。但它确实能用，而且十分方便，对于编写非商业程序的人来说，这个东西真的是再好不过了（因为它有着高的爆表的识别率）。

参考：

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

Accessing Google Speech API / Chrome 11    http://mikepultz.com/2011/03/accessing-google-speech-api-chrome-11/

附：

1、SpeechInputError interface 错误信息

  1. // This enumeration follows the values described here:
  2. // http://www.w3.org/2005/Incubator/htmlspeech/2010/10/google-api-draft.html#speech-input-error
  3. enum SpeechInputError {
  4. // There was no error.
  5. SPEECH_INPUT_ERROR_NONE = 0,
  6. // The user or a script aborted speech input.
  7. SPEECH_INPUT_ERROR_ABORTED,
  8. // There was an error with recording audio.
  9. SPEECH_INPUT_ERROR_AUDIO,
  10. // There was a network error.
  11. SPEECH_INPUT_ERROR_NETWORK,
  12. // No speech heard before timeout.
  13. SPEECH_INPUT_ERROR_NO_SPEECH,
  14. // Speech was heard, but could not be interpreted.
  15. SPEECH_INPUT_ERROR_NO_MATCH,
  16. // There was an error in the speech recognition grammar.
  17. SPEECH_INPUT_ERROR_BAD_GRAMMAR,
  18. };

2、多种音频格式的测试

收到朋友的邮件说使用flac实在是很不方便，问我有没有更好的解决方法，于是我尝试将其他编码格式应用于Google Speech API。以下为结果：

1、WAV格式

请求Header：Content-Type: audio/L16; rate=16000

返回结果：识别成功

2、MP3格式

请求Header：Content-Type: audio/mpeg; rate=16000

返回结果：无法识别的编码

请求Header：Content-Type: audio/mpeg3; rate=16000

返回结果：无法识别的编码

请求Header：Content-Type: audio/x-mpeg; rate=16000

返回结果：无法识别的编码

请求Header：Content-Type: audio/x-mpeg-3; rate=16000

返回结果：无法识别的编码

请求Header：Content-Type: audio/mp3; rate=16000

返回结果：无法识别的编码

3、PCM格式

请求Header：Content-Type: audio/x-ogg-pcm; rate=16000

返回结果：无法识别的编码

请求Header：Content-Type: audio/pcm; rate=16000

返回结果：无法识别的编码

4、SPEEX格式

请求Header：Content-Type: audio/x-speex-with-header-byte; rate=16000

返回结果：识别成功

请求Header：Content-Type: audio/speex; rate=16000

返回结果：识别成功


由于识别接口并不开放，所以无法得知具体的支持格式，如果哪位朋友发现了新的支持格式，请一定要留言哦！

最新文章

  1. Linux安装node
  2. 有序列表和无序列表、流、格式布局：position
  3. 清除mstsc远程登录记录
  4. load d3dcompiler_46.dll failed
  5. import com.sun.image.codec.jpeg.JPEGCodec不通过 Eclipse找不到包
  6. IOS之沙盒(Sandbox)机制
  7. C#获取本机所有用户名
  8. 免费SSL证书申请
  9. PHP用户注册邮箱并验证激活帐号
  10. RobotFramework下的http接口自动化Follow Response关键字的使用
  11. npm scripts 使用指南
  12. 浅谈 JSP & Servlet
  13. 最优的路线(floyd最小环）
  14. Face The Right Way [POJ3276] [开关问题]
  15. HASH 字符串哈希 映射转化
  16. UE4中Bebavior Tree中Delay及其后面代码失效的原因
  17. 洛谷P2679 子串 [noip2015] dp
  18. 【2019年OCP新题】OCP题库更新出现大量新题-10
  19. Sequelize-nodejs-4-Model usage
  20. 【前端vue开发】vue开发watch检测的使用

热门文章

  1. 设置 IntelliJ IDEA 主题
  2. 解决selenium和FireFox版本不兼容问题
  3. BZOJ 1565 / P2805 [NOI2009]植物大战僵尸 (最大权闭合子图 最小割)
  4. mysql数据表结构查询
  5. Educational Codeforces Round 40 (Rated for Div. 2) 954G G. Castle Defense
  6. 【leetcode】1240. Tiling a Rectangle with the Fewest Squares
  7. 【题解】[Nwerc 2006]escape -C++
  8. SpringMVC配置 事务管理
  9. Feeding Chicken
  10. P5149 会议座位