对于语音识别，一般有实时语音识别和语音文件的识别处理等方式，如在会议、培训等场景中，可以对录制的文件进行文字的转录，对于转录文字的成功率来说，如果能够转换90%以上的正确语音内容，肯定能减轻很多相关语音文本编辑的繁琐工作，而目前大多数语音转录的接口基本都能够保证在这个成功率上，有些甚至超过98%以上，非常不错，因为他们对于各种场景的滤波，可以更加提供文字的准确性。本篇随笔对各种语音开发平台做一个介绍，并针对依图语音API的C#封装以及调用进行语音转写进行介绍。
1、语音识别的接口提供商及API情况语音识别有很多提供商，如常见的百度、阿里云、依图语音等，他们都提供了不同的API接口来实现外部的调用处理，本篇随笔主要针对依图语音（号称能够识别99%以上的智能转录）进行测试，对于其他类型的语音API，由于接口处理方式大同小异，并没有一一测试。
1）百度语音转录
2）阿里云语音转录
3）依云语音开发平台
对于短语音的测试，依图语音的转录基本上在98%以上，偶尔有一两个词语文字因为不常见而出错而已，非常不错。
由于依图语音平台虽然提供了Java的案例代码，但是没有对应C #API调用案例，因此需要根据接口的说明进行转换。
对于依图语音的API说明，还是介绍的比较详细的，如下所示。
一般根据这些很容易编写对应的接口API封装函数，我这里主要用来封装对应的C#调用API。
2、基于依图语音API的C#封装
我们针对API进行了封装，然后在界面上进行测试对应的功能，如下Winform界面测试所示。
一个短句，发现一个错误的字，不过整体效果还是比较好，断句以及内容都算很好的。
这个项目分为三部分，第一是对请求接口数据和返回数据的对象封装（简称DTO对象），第二是对依图长语音和短语音接口的API接口封装，包括授权信息的处理；长语音转写的任务创建、任务查询、任务停止几个部分；以及短语音的转写处理。第三是Winform界面的功能测试和日志处理操作，方便了解功能的实际处理情况。
【创建长语音转录任务】主要用于演示如何生成签名并调用接口创建转写任务的操作，操作后提示是否成功，并记录下任务ID，供查询任务或停止任务使用。同时在日志和文本框里面生成相关的JSON数据信息，日志在运行目录的log/log.txt中记录。
对于依图语音转换来说，我们一般使用异步的处理方式，所以更好的是等待任务处理完后回调告诉我们处理结果更好，因此适合于部署Web API的应用，用于让依图语音平台的服务器进行回调处理结果。
首先第一步我们需要处理API的授权签名，用于后续接口的调用，我们可以根据签名的规则进行编写代码即可。
/// <summary> /// 签名处理 /// </summary> public class SignatureHelper { /// <summary> /// 生成授权签名信息 /// </summary> /// <param name="data"></param> /// <param name="key"></param> /// <returns></returns> public static string CalculateRFC2104HMAC(string data, string key) { key = key ?? ""; var encoding = new System.Text.UTF8Encoding(); byte[] keyByte = encoding.GetBytes(key); byte[] messageBytes = encoding.GetBytes(data); using (var hmacsha256 = new HMACSHA256(keyByte)) { byte[] hashmessage = hmacsha256.ComputeHash(messageBytes); StringBuilder builder = new StringBuilder(); for (int i = 0; i < hashmessage.Length; i++) { builder.Append(hashmessage[i].ToString("x2")); } return builder.ToString(); } } /// <summary> /// 生成请求授权信息 /// </summary> /// <returns></returns> public static AuthRequestDto GetAuthDto() { var builder = new ConfigurationBuilder() .SetBasePath(Directory.GetCurrentDirectory()) .AddJsonFile("appsettings.json", true, reloadOnChange: true); var config = builder.Build(); //读取配置 var DevId = config["YITU:DevId"]; var DevKey = config["YITU:DevKey"]; var dto = new AuthRequestDto(); dto.DevId = DevId; dto.Timestamp = DateTime.Now.DateTimeToInt(); var accessKey = DevKey; var signKey = dto.DevId + dto.Timestamp; //签名加密键 dto.Signature = SignatureHelper.CalculateRFC2104HMAC(signKey, accessKey); return dto; } /// <summary> /// 对请求的HttpClient设置相关的授权请求Header信息 /// </summary> /// <param name="client"></param> /// <param name="dto"></param> public static void SetSigature(HttpClient client, AuthRequestDto dto) { client.DefaultRequestHeaders.Add("x-dev-id", dto.DevId); client.DefaultRequestHeaders.Add("x-request-send-timestamp", dto.Timestamp.ToString()); client.DefaultRequestHeaders.Add("x-signature", dto.Signature); client.DefaultRequestHeaders.Add("Date", DateTime.Now.AddHours(-8).ToString("R")); } }
这个按钮功能，主要测试一下使用辅助类生成的授权认证信息，授权认证信息是根据加密规则构建的签名信息和账号信息。
这个主要是演示辅助类生成签名，并获得的数据信息：
然后我们定义一个控制器，用于接收依图语音的服务器API回调处理，用于记录转换的结果内容。
namespace CallBackApi.Controllers { /// <summary> /// 用于接收长语音信息回调的处理 /// </summary> [ApiController] [Route("[controller]")] public class LongVoiceController : ControllerBase
在控制器中编写存储的逻辑，写入数据库。
/// <summary> /// 回调写入结果, 路由:post /longvoice /// </summary> /// <param name="input"></param> /// <returns></returns> [HttpPost] public async Task<CommonResultDto> CallBack(LongVoiceResultDto input) { CommonResultDto result = null; var json = JsonConvert.SerializeObject(input, Formatting.Indented); _logger.LogInformation(json); try { var helper = new LongVoiceDbHelper(); var bResult = await helper.SaveData(input); result = new CommonResultDto(0, bResult ? "操作成功" : "操作失败"); } catch(Exception ex) { result = new CommonResultDto(1, ex.Message); _logger.LogError(ex, ex.Message); } return result; }
我们根据依图语音的对象模型，构建对应的对象信息属性，然后保存起来即可。
/// <summary> /// 保存数据到数据库 /// </summary> /// <param name="dto"></param> /// <returns></returns> public async Task<bool> SaveData(LongVoiceResultDto dto) { bool result = false; if(dto != null) { using(var db = CreateDb()) { var info = new ConsultationInfo(); info.DiscernStatus = dto.taskId; info.OperateStatus = "未识别"; if (dto.data != null && dto.data.speechResult != null) { if (dto.data.statusCode == 3) { info.OperateStatus = "已识别"; } var speechResult = dto.data.speechResult; info.DiscernText = speechResult.resultText; } result = await db.Insertable(info).ExecuteCommandAsync() > 0; } } return result; }
回调接口主要用于长语音任务执行完成后，服务器的回调处理，我这里使用.net core5的Web API项目来处理，通过使用Restful规则的API控制处理，接收服务器的回调数据请求，并把请求数据记录数据库或者在log/log.txt文件中。
我们先发起语音转录请求，如下代码所示。
private LongVoiceRequestDto GetVoice1() { var input = new LongVoiceRequestDto() { audioUrl = "https://www.***.com/downloads/iqidi.mp3", //语音文件 callback = "http://www.***.com:8080/longvoice", //回调地址 fileData = new FileData { aue = "mpeg2", audioName = "iqidi.mp3", sampleRateHertz = 16000, lang = "MANDARIN" }, speechConfig = new SpeechConfig { scene = "GENERAL", byWords = true, customWords = new List<string>() { //"开发框架提供商", //"广州爱奇迪软件科技有限公司" }, useCustomWordsIds = new List<int>() { }, addPunctuation = true, wordsReplace = true, numOfSpeakers = 1, convertNumber = true, //disfluency = true }, wordsReplace = new List<WordsReplace>() { new WordsReplace() { keywords = "他妈的", replace = "*" }, new WordsReplace() { keywords = "破坏", replace = "##" } } }; return input; }
对于长语音的转换，我们只是发起请求，有时候需要等待一点时间，服务器才会根据请求的回调地址进行会写操作的。发起长语音的请求如下代码所示。
private async void btnTransfer_Click(object sender, EventArgs e) { try { var input = this.radSmall.Checked ? GetVoice1() : GetVoice2(); var result = await longApi.Transfer(input); if (result != null) { this.txtTaskId.Text = result.taskId;//任务ID，可供查询，停止 MessageUtil.ShowTips($"任务创建{(result.rtn == 0 ? "成功" : "异常：" + result.message)}，任务ID：{result.taskId}"); } var json = JsonConvert.SerializeObject(result, Formatting.Indented); this.richLog.AppendText(json); this.richLog.AppendText(Environment.NewLine); Serilog.Log.Information(json); } catch(Exception ex) { MessageUtil.ShowError(ex.Message); } }
回调接口主要用于长语音任务执行完成后，服务器的回调处理。
而如果是短语音转写，就和我们前面说到的一样，马上就可以出结果了。
private async void btnShort_Click(object sender, EventArgs e) { try { var input = GetShortVoice(); var result = await shortApi.Transfer(input); if (result != null) { MessageUtil.ShowTips($"短语音听写, 操作{(result.rtn == 0 ? "成功" : "异常：" + result.message)}"); } var json = JsonConvert.SerializeObject(result, Formatting.Indented); this.richLog.AppendText(json); this.richLog.AppendText(Environment.NewLine); Serilog.Log.Information(json); } catch (Exception ex) { MessageUtil.ShowError(ex.Message); } }
我们只需要把返回的结果信息，转换为相关的模型对象，然后进行显示或者存储即可完成。
项目可以通过VS发布方式发布一个文件包，部署到服务器上即可。
配置项目后台一直运行。
以上就是关于依图语音的测试处理，对应后端的回调处理，我们可以转录长语音文件，不过依图语音平台对于身份的审核比较严格，也是收费的API（其他阿里、百度也都是），因此在商用的时候，需要考虑好即可。
主要研究技术：代码生成工具、会员管理系统、客户关系管理软件、病人资料管理软件、Visio二次开发、酒店管理系统、仓库管理系统等共享软件开发专注于Winform开发框架/混合式开发框架、Web开发框架、Bootstrap开发框架、微信门户开发框架的研究及应用。
转载请注明出处：
撰写人：伍华聪 http://www.iqidi.com