用Python将音频内容转换为文本格式

[[338641]]

当对一个或多个人的谈话进行记录时，采用一种高度准确和自动化的方式将口语提取为文本非常有用。转换成文字后，便可以将其用于进一步分析或用作其他功能。

在本教程中，我们将使用称为AssemblyAI（https://www.assemblyai.com/）的高精度语音转文本Web API从MP3录音中提取文本（也支持许多其他格式）。

在本教程中，音频文件示例下载地址请扫描本文下方二维码添加Python小助手获取，下面是音频输出如下所示的高精度文本转录内容： 

An object relational mapper is a code library that automates the transfer of   
data stored in relational, databases into objects that are more commonly used  
in application code or EMS are useful because they provide a high level   
abstraction upon a relational database that allows developers to write Python   
code instead of sequel to create read update and delete, data and schemas in   
their database. Developers can use the programming language. They are   
comfortable with to work with a database instead of writing SQL... 

教程要求

在本教程中，我们将使用以下依赖项，稍后将安装它们。请确保您的环境中还安装了Python 3，最好安装3.6或更高版本：

我们将使用以下依赖关系来完成本教程：

•  requests 2.24.0  来向AssemblyAI语音文本API发出HTTP请求
•  一个 AssemblyAI 帐户，您可以在此处（https://app.assemblyai.com/login/）注册免费的API访问密钥

本文所有代码下载地址请扫描本文下方二维码添加Python小助手获取。

搭建开发环境

转到保存Python虚拟环境的目录。我将我的目录保存在用户主目录下的venvs子目录中。使用以下命令为此项目创建一个新的virtualenv。

python3 -m venv ~/venvs/pytranscribe 

用 shell 命令激活 virtualenv：

source ~/venvs/pytranscribe/bin/activate 

执行上述命令后，命令提示符将发生更改，因此virtualenv的名称将以原始命令提示符格式开头，如果您的提示符只是$，则其外观如下所示： 

(pytranscribe) $ 

请记住，您必须在每个 virtualenv 中使用依赖项的新终端窗口中激活您的 virtualenv 。

现在，我们可以将请求包安装到已激活但为空的 virtualenv 中。 

pip install requests==2.24.0 

查找类似于以下内容的输出，以确认从PyPI正确安装了相应的软件包。 

(pytranscribe) $ pip install requests==2.24.0  
Collecting requests==2.24.0  
  Using cached https://files.pythonhosted.org/packages/45/1e/0c169c6a5381e241ba7404532c16a21d86ab872c9bed8bdcd4c423954103/requests-2.24.0-py2.py3-none-any.whl  
Collecting certifi>=2017.4.17 (from requests==2.24.0)  
  Using cached https://files.pythonhosted.org/packages/5e/c4/6c4fe722df5343c33226f0b4e0bb042e4dc13483228b4718baf286f86d87/certifi-2020.6.20-py2.py3-none-any.whl  
Collecting urllib3!=1.25.0,!=1.25.1,<1.26,>=1.21.1 (from requests==2.24.0)  
  Using cached https://files.pythonhosted.org/packages/9f/f0/a391d1463ebb1b233795cabfc0ef38d3db4442339de68f847026199e69d7/urllib3-1.25.10-py2.py3-none-any.whl  
Collecting chardet<4,>=3.0.2 (from requests==2.24.0)  
  Using cached https://files.pythonhosted.org/packages/bc/a9/01ffebfb562e4274b6487b4bb1ddec7ca55ec7510b22e4c51f14098443b8/chardet-3.0.4-py2.py3-none-any.whl  
Collecting idna<3,>=2.5 (from requests==2.24.0)  
  Using cached https://files.pythonhosted.org/packages/a2/38/928ddce2273eaa564f6f50de919327bf3a00f091b5baba8dfa9460f3a8a8/idna-2.10-py2.py3-none-any.whl  
Installing collected packages: certifi, urllib3, chardet, idna, requests  
Successfully installed certifi-2020.6.20 chardet-3.0.4 idna-2.10 requests-2.24.0 urllib3-1.25.10 

我们已经安装了所有必需的依赖项，因此我们可以开始对应用程序进行编码。

上传、启动和转录音频

我们已完成开始构建应用程序所需的一切，该应用程序会将音频转换为文本。我们将在三个文件中构建此应用程序：

1、upload_audio_file.py：将您的音频文件上传到AssemblyAI服务上的安全位置，以便可以进行处理。如果您的音频文件已经可以通过公共URL访问，则无需执行此步骤，只需按照此快速入门（https://docs.assemblyai.com/overview/getting-started）

2、initial_transcription.py：告诉API要转录并立即启动的文件

3、get_transcription.py：如果仍在处理转录，则显示转录状态，或者在处理完成后显示转录结果

创建一个名为pytranscribe的新目录，以在我们编写文件时存储这些文件。然后转到新的项目目录。 

mkdir pytranscibe  
cd pytranscribe 

我们还需要将 AssemblyAI API 密钥导出为环境变量。注册 AssemblyAI 帐户并登录 AssemblyAI 仪表板，然后复制“您的API token”，如以下屏幕截图所示：

 

export ASSEMBLYAI_KEY=your-api-key-here 

请注意，必须每个命令行窗口中使用 export 命令以保证此密钥可访问。如果您没有在运行脚本的环境中将标记导出为 ASSEMBLYAI_KEY，则我们正在编写的脚本将无法访问API。

现在我们已经创建了项目目录并将API密钥设置为环境变量，让我们继续编写第一个文件的代码，该文件会将音频文件上传到AssemblyAI服务。

上传音频文件并进行转录

创建一个名为upload_audio_file.py的新文件，并将以下代码放入其中： 

import argparse  
import os  
import requests  
API_URL = "https://api.assemblyai.com/v2/"  
def upload_file_to_api(filename):  
    """Checks for a valid file and then uploads it to AssemblyAI  
    so it can be saved to a secure URL that only that service can access.  
    When the upload is complete we can then initiate the transcription  
    API call.  
    Returns the API JSON if successful, or None if file does not exist.  
    """  
    if not os.path.exists(filename):  
        return None  
    def read_file(filename, chunk_size=5242880):  
        with open(filename, 'rb') as _file:  
            while True:  
                data = _file.read(chunk_size)  
                if not data:  
                    break 
                 yield data  
    headers = {'authorization': os.getenv("ASSEMBLYAI_KEY")}  
    response = requests.post("".join([API_URL, "upload"]), headersheaders=headers,  
                             data=read_file(filename))  
    return response.json() 

上面的代码导入了argparse，os和request软件包，以便我们可以在此脚本中使用它们。API_URL是一个常量，具有AssemblyAI服务的基本URL。我们使用单个参数定义upload_file_to_api函数，filename应该是一个字符串，其中包含文件及其文件名的绝对路径。

在函数中，我们检查文件是否存在，然后使用Request的分块传输编码将大文件流式传输到AssemblyAI API。

os模块的getenv函数读取使用带有getenv的export命令在命令行上设置的API。确保在运行此脚本的终端中使用该导出命令，否则ASSEMBLYAI_KEY值将为空白。如有疑问，请使用echo $ ASSEMBLY_AI查看该值是否与您的API密钥匹配。

要使用upload_file_to_api函数，请将以下代码行添加到upload_audio_file.py文件中，以便我们可以正确地将此代码作为使用python命令调用的脚本执行： 

if __name__ == "__main__":  
    parser = argparse.ArgumentParser()  
    parser.add_argument("filename")  
    args = parser.parse_args()  
    upload_filename = args.filename  
    response_json = upload_file_to_api(upload_filename)  
    if not response_json:  
        print("file does not exist")  
    else:  
        print("File uploaded to URL: {}".format(response_json['upload_url'])) 

上面的代码创建了一个ArgumentParser对象，它允许应用程序从命令行获取单个参数来指定我们要访问的对象，读取并上传到AssmeblyAI服务的文件。

如果文件不存在，脚本将显示一条消息，提示找不到该文件。在路径中，我们确实找到了正确的文件，然后使用upload_file_to_api函数中的代码上传了文件。

通过使用python命令在命令行上运行完整的upload_audio_file.py脚本，以执行该脚本。将FULL_PATH_TO_FILE替换为您要上传的文件的绝对路径，例如/Users/matt/devel/audio.mp3。

python upload_audio_file.py FULL_PATH_TO_FILE 

假设在您指定的位置找到文件，当脚本完成文件的上传后，它将打印一条带有唯一URL的消息：

File uploaded to URL: https://cdn.assemblyai.com/upload/463ce27f-0922-4ea9-9ce4-3353d84b5638 

该URL不是公开的，只能由AssemblyAI服务使用，因此除您及其转录的API外，其他任何人都无法访问您的文件及其内容。

重要的部分是URL的最后一部分，在此示例中为463ce27f-0922-4ea9-9ce4-3353d84b5638。保存该唯一标识符，因为我们需要将其传递给下一个启动转录服务的脚本。

启动转录

接下来，我们将编写一些代码来开始转录。创建一个名为initial_transcription.py的新文件。将以下代码添加到新文件中。 

import argparse  
import os  
import requests  
API_URL = "https://api.assemblyai.com/v2/"  
CDN_URL = "https://cdn.assemblyai.com/"  
def initiate_transcription(file_id):  
    """Sends a request to the API to transcribe a specific  
    file that was previously uploaded to the API. This will  
    not immediately return the transcription because it takes  
    a moment for the service to analyze and perform the  
    transcription, so there is a different function to retrieve  
    the results.  
    """  
    endpoint = "".join([API_URL, "transcript"])  
    json = {"audio_url": "".join([CDN_URL, "upload/{}".format(file_id)])}  
    headers = {  
        "authorization": os.getenv("ASSEMBLYAI_KEY"),  
        "content-type": "application/json"  
    }  
    response = requests.post(endpoint, jsonjson=json, headersheaders=headers)  
    return response.json() 

我们具有与先前脚本相同的导入，并添加了一个新常量CDN_URL，该常量与AssemblyAI存储上传的音频文件的单独URL匹配。

initiate_transcription函数本质上只是向AssemblyAI API设置了一个HTTP请求，以传入的特定URL对音频文件启动转录过程。这就是为什么file_id传递很重要的原因：完成音频文件的URL 我们告诉AssemblyAI进行检索。

通过附加此代码来完成文件，以便可以从命令行轻松地使用参数调用它。 

if __name__ == "__main__":  
    parser = argparse.ArgumentParser()  
    parser.add_argument("file_id")  
    args = parser.parse_args()  
    file_id = args.file_id  
    response_json = initiate_transcription(file_id)  
    print(response_json) 

通过在initiate_transcription文件上运行python命令来启动脚本，并传入您在上一步中保存的唯一文件标识符。 

# the FILE_IDENTIFIER is returned in the previous step and will  
# look something like this: 463ce27f-0922-4ea9-9ce4-3353d84b5638  
python initiate_transcription.py FILE_IDENTIFIER 

API将发回该脚本打印到命令行的JSON响应。 

{'audio_end_at': None, 'acoustic_model': 'assemblyai_default', 'text': None,   
 'audio_url': 'https://cdn.assemblyai.com/upload/463ce27f-0922-4ea9-9ce4-3353d84b5638',   
 'speed_boost': False, 'language_model': 'assemblyai_default', 'redact_pii': False,   
 'confidence': None, 'webhook_status_code': None,   
 'id': 'gkuu2krb1-8c7f-4fe3-bb69-6b14a2cac067', 'status': 'queued', 'boost_param': None,   
 'words': None, 'format_text': True, 'webhook_url': None, 'punctuate': True,  
 'utterances': None, 'audio_duration': None, 'auto_highlights': False,   
 'word_boost': [], 'dual_channel': None, 'audio_start_from': None} 

记下JSON响应中id键的值。这是我们需要用来检索转录结果的转录标识符。在此示例中，它是gkuu2krb1-8c7f-4fe3-bb69-6b14a2cac067。复制转录标识符到您自己的响应中，因为在下一步中我们将需要它来检查转录过程何时完成。

检索转录结果

我们已经上传并开始了转录过程，因此，准备就绪后，我们将尽快获得结果。

返回结果所需的时间取决于文件的大小，因此下一个脚本将向HTTP发送一个HTTP请求，并报告转录状态，或者在完成后打印输出。

创建一个名为 get_transcription.py 的第三个Python文件，并将以下代码放入其中。 

import argparse  
import os  
import requests  
API_URL = "https://api.assemblyai.com/v2/"  
def get_transcription(transcription_id):  
    """Requests the transcription from the API and returns the JSON  
    response."""  
    endpoint = "".join([API_URL, "transcript/{}".format(transcription_id)])  
    headers = {"authorization": os.getenv('ASSEMBLYAI_KEY')}  
    response = requests.get(endpoint, headersheaders=headers) 
    return response.json() 
if __name__ == "__main__":  
    parser = argparse.ArgumentParser()  
    parser.add_argument("transcription_id")  
    args = parser.parse_args()  
    transcription_id = args.transcription_id  
    response_json = get_transcription(transcription_id)  
    if response_json['status'] == "completed":  
        for word in response_json['words']:  
            print(word['text'], end=" ")  
    else:  
        print("current status of transcription request: {}".format(  
              response_json['status'])) 

上面的代码与其他脚本具有相同的 imports 对象。在这个新的get_transcription函数中，我们只需使用我们的API密钥和上一步中的转录标识符（而不是文件标识符）调用AssemblyAI API。我们检索JSON响应并将其返回。

在main函数中，我们处理作为命令行参数传入的转录标识符，并将其传递给get_transcription函数。如果来自get_transcription函数的响应JSON包含completed状态，则我们将打印转录结果。否则，请在completed之前打印当前状态如queued或processing。

使用命令行和上一节中的转录标识符调用脚本：

python get_transcription.py TRANSCRIPTION_ID 

如果该服务尚未开始处理脚本，则它将返回queued，如下所示： 

current status of transcription request: queued 

当服务当前正在处理音频文件时，它将返回processing： 

current status of transcription request: processing 

该过程完成后，我们的脚本将返回转录文本，如您在此处看到的那样： 

An object relational mapper is a code library that automates the transfer of   
data stored in relational, databases into objects that are more commonly used  
in application code or EMS are useful because they provide a high level   
...(output abbreviated) 

就是这样，我们已经转录完成了！

您可能想知道如果精度不适合您的情况该怎么办。这就是需要用到提高关键字或短语的准确性方法（https://docs.assemblyai.com/guides/boosting-accuracy-for-keywords-or-phrases）和选择与数据更匹配的模型方法（https://docs.assemblyai.com/guides/transcribing-with-a-different-acoustic-or-custom-language-model）的地方。您可以使用这两种方法中的任一种，将记录的准确性提高到适合您情况的水平。

下一步是什么？

我们刚刚完成了一些脚本，这些脚本调用AssemblyAI API来将带有语音的录音转录为文本输出。您可以查阅文档（https://docs.assemblyai.com/overview/getting-started）来增加一些更高级功能:

•  支持不同的文件格式
•  转录双通道/立体声录音
•  获取扬声器标签（扬声器隔离）