Bing Speech Api

最近搜罗了一些在线语音识别的服务平台，比如：讯飞语音、百度语音、Google Speech、Bing Speech. 找这些平台主要是为了给一些没有文字稿的德文音频生成自动字幕。Google和Bing都支持德文。我先试用的是Google，网上教程比较多，不多说了，这里就放一个传送门：

https://github.com/gillesdemey/google-speech-v2/

但是上个Google实在不容易。因而我研究了一下Bing。百度了一下，发现还没什么人写过相关的教程。其实方法也很简单。先贴官网文档的地址：

https://www.microsoft.com/cognitive-services/en-us/speech-api/documentation/api-reference-rest/bingvoicerecognition

官方的文档写的还是很具体的，会用的应该一看就懂。我就在这里做个简单的Tutorial。

0  简述

简单的说就是利用REST API，通过Http接口发起语音认知请求。

具体步骤：获得授权码-->POST语音识别请求-->获得认知结果

免费的Bing Speech服务支持5000次/月的识别请求，单次请求的语音长度不超过10秒。显然，这更适合语音命令识别。不过这里我强行拿来给一般音频文件加字幕。

本文需要用到的工具（cURL和SoX）：

链接：https://pan.baidu.com/s/1slRLsYD 密码：mf5t

建议解压后，把两个程序所在的目录均加到系统Path中，以便命令行直接调用。

两个都是开源软件，有兴趣的可以去官网下载源码。

1  获得授权码

• 登陆Bing Speech官网（需要有微软账户）：

https://www.microsoft.com/cognitive-services/en-us/speech-api

点击右上角Get started for Free。在API选择栏目中选上Bing Speech。这样就可以免费使用Bing语音识别了。这时，在API管理页面可以看到刚才选中的Bing Speech了。

 这里的key1和key2是订阅key，用这个key可以获得一个10分钟时效的授权码。这里单击key1或key2后面的Copy按钮，等下需要用它来申请授权码。

• 申请授权码需要用到cURL，格式如下（请将YourKey替换为刚才Copy的key）：

curl.exe -X POST --header "Content-Length: 0" --header "Ocp-Apim-Subscription-Key:YourKey" "https://api.cognitive.microsoft.com/sts/v1.0/issueToken"

执行成功，会得到一长条字符，这就是base64加密的授权码access_token。把这串字符不多不少的复制下来。（10分钟有效，超时需要再获得一次）

 

2  POST语音识别请求

1. 准备音频文件

Bing Speech支持PCM single channel、Siren、SirenSR。这里介绍MP3转WAV（16bit PCM）和切割音频文件的方法。均用到SoX。

• MP3转WAV（16bit PCM）

sox.exe -V originalMP3.mp3 --encoding signed-integer --bits 16 --channels 1 --rate 16000 newWAV.wav

"-V"显示处理过程信息

"originalMP3.mp3"要转换的源文件

"--encoding signed-integer ... --rate 1600"编码类型、位数、通道和采样率

"newWAV.wav"转换结果文件

• 切割音频文件

sox.exe originalFile.wav trimFile.wav trim 45 10

"originalFile.wav"要切割的源文件

"trimFile.wav"切割后的文件

"trim 45 10"从第45秒开始切取10秒

2. 发起语音识别请求（请将access_token替换为第一步中获得的授权码）

注：超过10分钟需要重新获取授权码

curl.exe -X POST --data-binary @test.wav --header "Content-Type: audio/wav; samplerate=16000" --header "Authorization: Bearer access_token" "https://speech.platform.bing.com/recognize?scenarios=catsearch&appid=f84e364c-ec34-4773-a783-73707bd9a585&locale=de-DE&device.os=wp7&version=3.0&format=json&requestid=1d4b6030-9099-11e0-91e4-0800200c9a66&instanceid=1d4b6030-9099-11e0-91e4-0800200c9a66"

"test.wav" 处理好的不大于10秒的音频文件

"Content-Type: ..."指明音频文件类型和采样率

"Authorization: Bearer ..."授权码

"https://speech.platform.bing.com/recognize?..."API地址（问号后面是参数）

具体参数：

Version, requestid, appID, device.os, scenarios, instanceid均为必选参数，如果只是试玩，照抄就行了。

format=json指明返回值为json格式。（可以选xml）

locale=de-DE指明音频的语言为德语（美式英语en-US，日语ja-JP）

目前支持语言如下：

3  获得认知结果
 执行之后，等待一会儿就可以得到结果。比如：

试了几个文件，效果一般，感觉没有谷歌的识别能力强。就当试玩~期待以后能够有更好的识别能力。