【超简单】之基于PaddleSpeech语音听写桌面应用
此项目前情回顾:【超简单】之基于PaddleSpeech搭建个人语音听写服务 https://aistudio.baidu.com/aistudio/projectdetail/4379979此次主要做了以下工作:通过 QGUI 实现语音听写服务桌面化,方便非程序员使用。1.撰写qgui界面2.结果可视化3.保存听写结果到txt文件...
此项目前情回顾:【超简单】之基于PaddleSpeech搭建个人语音听写服务 https://aistudio.baidu.com/aistudio/projectdetail/4379979
此次主要做了以下工作:
通过 QGUI 实现语音听写服务桌面化,方便非程序员使用。
- 1.撰写qgui界面
- 2.结果可视化
- 3.保存听写结果到txt文件
- 相关代码已打包并上传至项目根目录。
- 项目地址: https://aistudio.baidu.com/aistudio/projectdetail/4400651
- 热烈欢迎大家fork点赞
二、环境搭建
1.PaddleSpeech简介
PaddleSpeech 是基于飞桨 PaddlePaddle 的语音方向的开源模型库,用于语音和音频中的各种关键任务的开发,包含大量基于深度学习前沿和有影响力的模型,一些典型的应用如下:
- 语音识别
- 语音翻译
- 语音合成
2.PaddleSpeech安装
pip install paddlespeech
2.1 相关依赖
- gcc >= 4.8.5
- paddlepaddle >= 2.3.1
- python >= 3.7
- linux(推荐), mac, windows
2.2 win安装注意事项
-
1.win必须安装 Microsoft C++ 生成工具 - Visual Studio
https://visualstudio.microsoft.com/zh-hans/visual-cpp-build-tools/ 工具,原因是 安装非纯 Python 包或编译 Cython 或 Pyrex 文件。 -
2.参考: WindowsCompilers - Python Wiki
https://wiki.python.org/moin/WindowsCompilers
3.QGUI简介
QGUI - 低于100k的超轻量桌面图形化框架,可通过几行代码、使用模板来快捷制作出属于你的图形化界面
详情访问:https://pepy.tech/project/qgui
4.QGUI安装
-
通用方式
python -m pip install qgui
-
国内推荐
python -m pip install qgui -i https://mirrors.bfsu.edu.cn/pypi/web/simple
-
运行Demo/安装测试
python -m qgui
三、应用设计
1.界面设计
主要是wav文件读取,保存文件设置
from qgui import CreateQGUI
from qgui.banner_tools import BaseBarTool, GitHub
from qgui.notebook_tools import ChooseFileTextButton, RunButton, ChooseDirTextButton
import listen
import warnings
warnings.filterwarnings('ignore')
def click(args):
print("你点到我啦~")
print("输入框文字为:", args["文件选择"].get())
print("输入框文字为:", args["保存位置"].get())
listen.run(args["文件选择"].get(), args["保存位置"].get())
# 创建主界面
main_gui = CreateQGUI(title="PaddleSpeech语音自助听写")
# 在主界面部分添加一个文件选择工具吧~
# 选择录音文件
main_gui.add_notebook_tool(ChooseFileTextButton(name="文件选择", filetypes="wav" ))
# 在主界面添加保存位置
# 选择保存目录
main_gui.add_notebook_tool(ChooseDirTextButton(name="保存位置"))
# 要不要再添加一个运行按钮?,绑定刚刚创建的函数吧~
main_gui.add_notebook_tool(RunButton(click))
# 简单加个简介
main_gui.set_navigation_about(author="JavaRoom",
version="0.0.1",
github_url="https://aistudio.baidu.com/aistudio/personalcenter/thirdview/89263",
other_info=["PaddleSpeech语音自助听写"])
# 跑起来~
main_gui.run()
2.听写服务函数化
主要函数如下:
- qiefen(path, ty=‘audio’, mmin_dur=1, mmax_dur=100000, mmax_silence=1, menergy_threshold=55) 实现长语音切分
- audio2txt(path) 实现语音转文本
- txt2csv(txt_all) 文本保存
- correct_punctuation(source_path=‘听写录音.csv’) 标点符号转写
- run(wav_file_path, target_dir) 根据给定的文本,完成听写并保存
from paddlespeech.cli.asr.infer import ASRExecutor
import csv
import moviepy.editor as mp
import auditok
import os
import paddle
from paddlespeech.cli import ASRExecutor, TextExecutor
import soundfile
import librosa
import warnings
# 引入auditok库
import auditok
import csv
import datetime
import shutil
warnings.filterwarnings('ignore')
# 输入类别为audio
def qiefen(path, ty='audio', mmin_dur=1, mmax_dur=100000, mmax_silence=1, menergy_threshold=55):
audio_file = path
audio, audio_sample_rate = soundfile.read(
audio_file, dtype="int16", always_2d=True)
audio_regions = auditok.split(
audio_file,
min_dur=mmin_dur, # minimum duration of a valid audio event in seconds
max_dur=mmax_dur, # maximum duration of an event
# maximum duration of tolerated continuous silence within an event
max_silence=mmax_silence,
energy_threshold=menergy_threshold # threshold of detection
)
for i, r in enumerate(audio_regions):
# Regions returned by `split` have 'start' and 'end' metadata fields
print(
"Region {i}: {r.meta.start:.3f}s -- {r.meta.end:.3f}s".format(i=i, r=r))
epath = ''
file_pre = str(epath.join(audio_file.split('.')[0].split('/')[-1]))
mk = 'change'
if (os.path.exists(mk) == False):
os.mkdir(mk)
if (os.path.exists(mk + '/' + ty) == False):
os.mkdir(mk + '/' + ty)
if (os.path.exists(mk + '/' + ty + '/' + file_pre) == False):
os.mkdir(mk + '/' + ty + '/' + file_pre)
num = i
# 为了取前三位数字排序
s = '000000' + str(num)
file_save = mk + '/' + ty + '/' + file_pre + '/' + \
s[-3:] + '-' + '{meta.start:.3f}-{meta.end:.3f}' + '.wav'
filename = r.save(file_save)
print("region saved as: {}".format(filename))
return mk + '/' + ty + '/' + file_pre
# 语音转文本
asr_executor = ASRExecutor()
# 听写
def audio2txt(path):
# 返回path下所有文件构成的一个list列表
print(f"path: {path}")
filelist = os.listdir(path)
# 保证读取按照文件的顺序
filelist.sort(key=lambda x: int(os.path.splitext(x)[0][:3]))
# 遍历输出每一个文件的名字和类型
words = []
for file in filelist:
print(path + '/' + file)
text = asr_executor(
audio_file=path + '/' + file,
device=paddle.get_device(), force_yes=True) # force_yes参数需要注意
words.append(text)
return words
# 保存
def txt2csv(txt_all):
with open(f'听写录音.csv', 'w', encoding='utf-8') as f:
f_csv = csv.writer(f)
for row in txt_all:
f_csv.writerow([row])
# 纠正标点符号
def correct_punctuation(source_path='听写录音.csv'):
# 拿到新生成的音频的路径
texts = ''
with open(source_path, 'r') as f:
text = f.readlines()
for i in range(len(text)):
text[i] = text[i].replace('\n', '')
texts = texts + text[i]
# print(texts)
text_executor = TextExecutor()
if text:
result = text_executor(
text=texts,
task='punc',
model='ernie_linear_p3_wudao',
device=paddle.get_device(),
# force_yes=True
)
# print(result)
return result
def run(wav_file_path, target_dir):
# 可替换成自身的录音文件
# wav_file_path = '录音.wav'
# 划分音频
path = qiefen(path=wav_file_path, ty='audio',
mmin_dur=0.5, mmax_dur=100000, mmax_silence=0.5, menergy_threshold=55)
# 音频转文本 需要GPU
txt_all = audio2txt(path)
# 存入csv
txt2csv(txt_all)
# 纠正标点
now_date=str(datetime.datetime.now())
source_path = f'听写转录音_{now_date[:10]}_{txt_all[0]}.txt'
correct_txt=correct_punctuation()
print(correct_txt)
print(len(correct_txt))
with open(source_path, 'w') as f:
f.writelines(correct_txt)
# 删除中间过程文件
os.remove("听写录音.csv")
shutil.rmtree('exp')
四、最终形态
最终形态为一个带节目应用程序,通过给定的音频,自动听写,并保存至文本文件。
五、QGUI个性修改
1.按扩展名选择文件
修改 qgui/nobook_tools.py 第136行 内容
# 加扩展名判断,只加了wav
if filetypes == 'wav':
self.filetypes = [('WAV Files', 'wav')]
else:
self.filetypes = [('All Files', '*')]
调用时加 filetypes 扩展选项
# 选择录音文件
main_gui.add_notebook_tool(ChooseFileTextButton(name="文件选择", filetypes="wav" ))
2.修改界面github地址
修改qgui/base_frame.py/BaseNavigation 第80行 内容为aistudio
class BaseNavigation(_Backbone):
"""
左侧导航栏基本框架
"""
def __init__(self, style="primary"):
super(BaseNavigation, self).__init__(f_style=style)
self.tabs = dict()
def add_about(self,
author: str = "未知作者",
version: str = "0.0.1",
github_url: str = None,
other_info: List[str] = None):
bus_cf = CollapsingFrame(self.frame)
bus_cf.pack(fill='x', pady=0)
bus_frm = ttk.Frame(bus_cf, padding=5)
bus_frm.columnconfigure(1, weight=1)
bus_cf.add(bus_frm, title="相关信息", style='secondary.TButton')
ttk.Label(bus_frm, text=f"作者:\t{author}", style="TLabel", justify="left", wraplength=160).pack(anchor="nw")
ttk.Label(bus_frm, text=f"版本:\t{version}", style="TLabel", justify="left", wraplength=160).pack(anchor="nw")
if other_info:
for line in other_info:
ttk.Label(bus_frm, text=line, style="TLabel").pack(anchor="nw")
if github_url:
def github_callback(event):
webbrowser.open_new(github_url)
github_label = ttk.Label(bus_frm, text=f"> 进入Aistudio", style="info.TLabel", justify="left")
github_label.pack(anchor="nw")
github_label.bind("<Button-1>", github_callback)
六、后续计划
- 1.添加音频转码功能
- 2.添加视频语音提取功能
- 3.添加离线部署方案
- 4.进行打包
转载自:https://aistudio.baidu.com/aistudio/projectdetail/4400651
更多推荐
所有评论(0)