SpeechRecognitionで遊んでみたよ

詠唱したら魔法打てないかな、なんて思っていたので、Pythonの音声認識モジュールであるSpeechRecognitionで遊んでみました。誰かナノマシンつくってくれないかな。
Python - SpeechRecognition

SpeechRecognitionのインストール

cmd

pip install SpeechRecognition

みんな大好きpipコマンドです。

wavファイルで入力して文字列に変換

コードはこんな感じ。

test.py

import speech_recognition as sr

r = sr.Recognizer()

with sr.AudioFile("./aftereat.wav") as source:
    audio = r.record(source)

text = r.recognize_google(audio, language = 'ja-JP')

print(text)

ファイルは.wav拡張子じゃないと通らないので気をつける。
拡張子を無理やり変えてもだめです。ちゃんとコンバート、コンバート。
あとちゃんとパスを指定しましょう。

音声ファイルはこちらからお借りしました。
Booth - Afterifk Kawaii Voice β

Let's 実行

cmd

python test.py
ごちそうさま

きゃーコマンドプロンプトちゃんkawaiiデス！
彼女と結婚できる日もそう遠くないでしょう。

リアルタイム入力で字幕付け

リアルタイム入力での文字起こしでは、SpeechRecognitionのほかに、PyAudioというモジュールが必要になってきます。こちらもpipコマンドでインストールしておきましょう。

cmd

pip install pyaudio

ではコードはこんな感じ。

test.py

import speech_recognition as sr
import pyaudio, time

SAMPLERATE = 44100

def callback(in_data, frame_count, time_info, status):
    global sprec 

    try:
        audiodata = sr.AudioData(in_data,SAMPLERATE,2)
        sprec_text = sprec.recognize_google(audiodata, language='ja-JP')
        print(sprec_text)
    except sr.UnknownValueError:
        pass
    except sr.RequestError as e:
        pass
    finally:
        return (None, pyaudio.paContinue)
    
def main():
    global sprec 
    sprec = sr.Recognizer()
    audio = pyaudio.PyAudio() 
    stream = audio.open(
        format = pyaudio.paInt16,
        rate = SAMPLERATE,
        channels = 1, 
        input_device_index = 1,
        input = True, 
        frames_per_buffer = SAMPLERATE*2,
        stream_callback=callback
    )
    
    stream.start_stream()
    while stream.is_active():
        time.sleep(0.1)
    
    stream.stop_stream()
    stream.close()
    audio.terminate()

if __name__ == '__main__':
    main()

実行結果は以下の通り

cmd

python test.py
おはよう
フェリシアです
おねむ です
あめんぼあおいよ あいうえお
ニセコ

私は「おはよう ふぇりしあです おねむです あめんぼあおいよあいうえお すごい」とマイクに向かって入力したので結構精度高いみたいです。というかふぇりの名前がカタカナで出力されたのですが、これはreconize_google()が優秀だったのかな？