语音识别——使用Vosk进行语音识别

前言

Vosk是语音识别开源框架，支持二十+种语言 - 中文，英语，印度英语，德语，法语，西班牙语，葡萄牙语，俄语，土耳其语，越南语，意大利语，荷兰人，加泰罗尼亚语，阿拉伯, 希腊语, 波斯语, 菲律宾语，乌克兰语, 哈萨克语, 瑞典语, 日语, 世界语, 印地语, 捷克语, 波兰语, 乌兹别克语, 韩国语, 塔吉克语。

Vosk还支持设备上离线语音识别，包括Raspberry Pi，Android，iOS等，API接口简单，并且有多种语言支持，同时会识别语义，最终输出合理的语句。

一、Vosk模型

1.准备好所需要的语音包

在开始使用Vosk之前，需要拥有语音识别的模型，如图中拥有很多语音模型，中文、英文、西班牙、印度等等，Vosk模型库，需要外网才可以下载
在这里插入图片描述

2.下载使用

下载并进行解压后如下图所示，例如这里有简单英文、轻量级中文、和用于服务器处理的大型通用中文模型等，根据需要进行下载
在这里插入图片描述

解压后放在对应目录下，值得注意的是，是整个解压后的文件夹，而不是某一固定文件，一定要放在对应位置，不然使用时会直接崩溃，连报错都没有。
在这里插入图片描述

二、使用示例

1.文件读取示例

首先语音文件和模型需要准备好，示例中的语音文件是自己录下来的，模型vosk-model-cn-0.22是中文模型

#include <vosk_api.h>
#include <stdio.h>

int main() {
    FILE *wavin;
    char buf[3200];
    int nread, final;

    VoskModel *model = vosk_model_new("vosk-model-cn-0.22");
    VoskRecognizer *recognizer = vosk_recognizer_new(model, 16000.0);

    wavin = fopen("test.wav", "rb");
    fseek(wavin, 44, SEEK_SET);
    while (!feof(wavin)) {
        nread = fread(buf, 1, sizeof(buf), wavin);
        final = vosk_recognizer_accept_waveform(recognizer, buf, nread);
        if (final) {
            printf("%s\n", vosk_recognizer_result(recognizer));
        } else {
            printf("%s\n", vosk_recognizer_partial_result(recognizer));
        }
    }
    printf("%s\n", vosk_recognizer_final_result(recognizer));

    vosk_recognizer_free(recognizer);
    vosk_model_free(model);
    fclose(wavin);
    return 0;
}

输出结果如下，partial是短时输出，text是识别语义后的输出：
在这里插入图片描述

vosk_model_new:加载模型
vosk_recognizer_new:创建语音识别实例
vosk_recognizer_accept_waveform：塞入语音数据（pcm格式）
vosk_recognizer_result:获取识别器的完整识别结果
vosk_recognizer_partial_result:返回当下识别结果，如果没有识别到，返回空

2.结合麦克风演示

#include <stdio.h>
#include <stdlib.h>
#include <alsa/asoundlib.h>
#include <vosk_api.h>
#include <iostream>
#include <cstdio>
#include <memory>
#include <array>

#define SAMPLE_RATE 44100
#define BUFFER_SIZE 44100 * 2 * 2



int main() {
    // 初始化 Vosk 模型
    VoskModel *model = vosk_model_new("vosk-model-cn-0.22");
    VoskRecognizer *recognizer = vosk_recognizer_new(model, SAMPLE_RATE);

    // 打开 ALSA 设备
    snd_pcm_t *pcm_handle;
    int ret = snd_pcm_open(&pcm_handle, "default", SND_PCM_STREAM_CAPTURE, 0);
    ret = snd_pcm_set_params(pcm_handle, SND_PCM_FORMAT_S16_LE, SND_PCM_ACCESS_RW_INTERLEAVED, 1, SAMPLE_RATE, 1, 1000000); // 1秒

    char buffer[BUFFER_SIZE];
    int final_result;

    while (1) {
        // 从麦克风读取音频数据
        int nread = snd_pcm_readi(pcm_handle, buffer, BUFFER_SIZE / 2);
        if (nread < 0) {
            snd_pcm_recover(pcm_handle, nread, 0);
            continue;
        }

        // 将音频数据传递给 Vosk
        final_result = vosk_recognizer_accept_waveform(recognizer, buffer, nread * 2);
        if (final_result) {
            printf("%s\n", vosk_recognizer_result(recognizer));
        } else {
            std::string strTest = vosk_recognizer_partial_result(recognizer);
            printf("%s\n", strTest.c_str());
        }
    }

    printf("%s\n", vosk_recognizer_final_result(recognizer));

    // 清理
    snd_pcm_close(pcm_handle);
    vosk_recognizer_free(recognizer);
    vosk_model_free(model);
    return 0;
}