从零开始：Python实现语音识别的完整教程

一、引言：语音识别的技术价值与应用场景

语音识别（Automatic Speech Recognition, ASR）作为人机交互的核心技术，已广泛应用于智能助手、语音搜索、医疗转录、车载系统等领域。传统ASR系统依赖复杂的声学模型和语言模型，而Python凭借其丰富的生态库（如SpeechRecognition、pyaudio、librosa），使开发者能够以极低的门槛实现基础语音识别功能。本文将从环境配置到代码实现，系统讲解如何使用Python完成一个完整的语音识别项目，覆盖离线与在线两种模式，并探讨性能优化方向。

二、环境准备：工具链与依赖库安装

1. Python环境配置

推荐使用Python 3.8+版本，通过conda或venv创建独立虚拟环境，避免依赖冲突：

conda create -n asr_env python=3.9
conda activate asr_env

2. 核心库安装

• SpeechRecognition：封装多款ASR引擎的API（如Google Web Speech、CMU Sphinx）。
• pyaudio：用于音频录制与播放。
• librosa：音频特征提取与分析。
• numpy/scipy：数值计算支持。

安装命令：

pip install SpeechRecognition pyaudio librosa numpy scipy

注意：pyaudio在Windows/macOS上可能需预装PortAudio，Linux用户可通过sudo apt-get install portaudio19-dev解决。

三、基础实现：从录音到文本转换

1. 录制音频并保存

使用pyaudio录制5秒音频并保存为WAV文件：

import pyaudio
import wave
CHUNK = 1024
FORMAT = pyaudio.paInt16
CHANNELS = 1
RATE = 44100
RECORD_SECONDS = 5
WAVE_OUTPUT_FILENAME = "output.wav"
p = pyaudio.PyAudio()
stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)
print("Recording...")
frames = []
for _ in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
    data = stream.read(CHUNK)
    frames.append(data)
print("Finished recording")
stream.stop_stream()
stream.close()
p.terminate()
wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')
wf.setnchannels(CHANNELS)
wf.setsampwidth(p.get_sample_size(FORMAT))
wf.setframerate(RATE)
wf.writeframes(b''.join(frames))
wf.close()

2. 使用SpeechRecognition识别音频

方案一：调用Google Web Speech API（在线）

import speech_recognition as sr
r = sr.Recognizer()
with sr.AudioFile("output.wav") as source:
    audio_data = r.record(source)
    try:
        text = r.recognize_google(audio_data, language="zh-CN")  # 支持中文
        print("识别结果:", text)
    except sr.UnknownValueError:
        print("无法识别音频")
    except sr.RequestError as e:
        print(f"API请求错误: {e}")

优势：无需训练模型，准确率高；局限：依赖网络，存在隐私风险。

方案二：使用CMU Sphinx（离线）

r = sr.Recognizer()
with sr.AudioFile("output.wav") as source:
    audio_data = r.record(source)
    try:
        text = r.recognize_sphinx(audio_data, language="zh-CN")  # 需安装中文模型
        print("识别结果:", text)
    except sr.UnknownValueError:
        print("无法识别音频")

优势：完全离线；局限：中文支持需额外配置模型，准确率低于在线方案。

四、进阶优化：提升识别准确率

1. 音频预处理

• 降噪：使用noisereduce库去除背景噪音。
• 归一化：通过librosa.amplitude_to_db调整音量。
• 分帧处理：将长音频切割为短片段，减少误差累积。

示例：降噪处理

import noisereduce as nr
import soundfile as sf
# 读取音频
data, rate = sf.read("output.wav")
# 降噪（需静音段作为噪声样本）
reduced_noise = nr.reduce_noise(y=data, sr=rate, stationary=False)
sf.write("denoised.wav", reduced_noise, rate)

2. 模型选择与参数调优

• 引擎对比：
  | 引擎 | 准确率 | 延迟 | 离线支持 | 语言支持 |
  |———————-|————|———-|—————|—————|
  | Google Web | 高 | 低 | 否 | 多语言 |
  | CMU Sphinx | 中 | 中 | 是 | 英文为主 |
  | Vosk | 中高 | 中 | 是 | 多语言 |

• Vosk离线模型：下载中文模型后，通过以下代码实现：
  ```python
  from vosk import Model, KaldiRecognizer
  import pyaudio
  import json

model = Model(“path/to/zh-cn-model”) # 下载地址：https://alphacephei.com/vosk/models
recognizer = KaldiRecognizer(model, 16000)

p = pyaudio.PyAudio()
stream = p.open(format=pyaudio.paInt16, channels=1, rate=16000, input=True, frames_per_buffer=4096)

while True:
data = stream.read(4096)
if recognizer.AcceptWaveform(data):
result = recognizer.Result()
print(json.loads(result)[“text”])

## 五、实战案例：构建语音命令控制系统
### 1. 功能设计
- 录制用户语音指令。
- 识别指令并匹配预设命令（如“打开灯”“关闭空调”）。
- 执行对应操作（模拟打印结果）。
### 2. 完整代码
```python
import speech_recognition as sr
COMMANDS = {
    "打开灯": "执行：开灯",
    "关闭灯": "执行：关灯",
    "播放音乐": "执行：播放",
    "停止音乐": "执行：停止"
}
def recognize_speech():
    r = sr.Recognizer()
    with sr.Microphone() as source:
        print("请说话...")
        audio = r.listen(source, timeout=5)
        try:
            text = r.recognize_google(audio, language="zh-CN")
            print(f"识别结果: {text}")
            return text.lower()
        except sr.UnknownValueError:
            return None
        except sr.RequestError:
            return "网络错误"
def execute_command(text):
    for cmd, action in COMMANDS.items():
        if cmd in text:
            print(action)
            return
    print("未识别命令")
if __name__ == "__main__":
    while True:
        text = recognize_speech()
        if text == "网络错误":
            print("请检查网络后重试")
            break
        elif text:
            execute_command(text)

六、常见问题与解决方案

1. 问题：pyaudio安装失败
   解决：Windows用户下载预编译的.whl文件安装；macOS使用brew install portaudio。

2. 问题：中文识别准确率低
   解决：优先使用Google Web Speech的language="zh-CN"参数；离线方案可训练自定义声学模型（需标注数据）。

3. 问题：实时识别延迟高
   解决：减少音频缓冲区大小（如frames_per_buffer=512），或使用Vosk的流式识别。

七、总结与展望

本文通过Python实现了从音频录制到文本识别的完整流程，覆盖了在线（Google API）与离线（CMU Sphinx/Vosk）两种方案，并提供了降噪、分帧等优化技巧。对于企业级应用，可进一步探索：

• 结合深度学习框架（如TensorFlow/PyTorch）训练端到端模型。
• 部署到边缘设备（如树莓派）实现本地化识别。
• 集成NLP模块实现语义理解。

语音识别技术的门槛正随着工具库的完善而不断降低，开发者只需掌握基础Python技能即可快速入门，为智能家居、工业控制等领域创造价值。