30分钟快速实现小程序语音识别功能
前言
为了参加某个作秀活动，研究了一波如何结合小程序、科大讯飞实现语音录入、识别的实现。科大讯飞开发文档中只给出 Python 的 demo，并没有给出 node.js 的 sdk，但问题不大。本文将从小程序相关代码到最后对接科大讯飞 api 过程，一步步介绍，半个小时，搭建完成小程序语音识别功能！不能再多了！
当然，前提是最好掌握有一点点小程序、node.js 甚至是音频相关的知识。下面话不多说了，来一起看看详细的介绍吧
架构先行
架构比较简单，大伙儿可以先看下图。除了小程序，需要提供 3 个服务，文件上传、音频编码及对接科大讯飞的服务。
node.js 对接科大讯飞的 api，npm 上已经有同学提供了 sdk，有兴趣的同学可以去搜索了解一下，笔者这里是直接调用了科大讯飞的 api 接口。
撸起袖子加油干
1、创建小程序
鹅厂的小程序文档非常详细，在这里笔者就不对如何创建一个小程序的步骤进行详细阐述了。有需要的同学可以查看鹅厂的小程序开发文档。
1.1 相关代码
我们摘取小程序里面，语音录入和语音上传部分的代码。
// 根据wx提供的api创建录音管理对象
const recorderManager = wx.getRecorderManager();
// 监听语音识别结束后的行为
recorderManager.onStop(recorderResponse => {
// tempFilePath 是录制的音频文件
const { tempFilePath } = recorderResponse;
// 上传音频文件，完成语音识别翻译
wx.uploadFile({
url: \'http://127.0.0.1:7001/voice\', // 该服务在后面搭建。另外，小程序发布时要求后台服务提供https服务！这里的地址仅为开发环境配置。
filePath: tempFilePath,
name: \'file\',
complete: res => {
console.log(res); // 我们期待res，就是翻译后的内容
}
});
});
// 开始录音，触发条件可以是按钮或其他，由你自己决定
recorderManager.start({
duration: 5000 // 最长录制时间
// 其他参数可以默认，更多参数可以查看https://developers.weixin.qq.com/miniprogram/dev/api/media/recorder/RecorderManager.start.html
});
2、搭建文件服务器
步骤 1 代码中提到了一个 url 地址大家应该都还记得。
http://127.0.0.1:7001/voice
小程序本身还并没有提供语音识别的功能，所以在这里我们需要借助于“后端”服务的能力，完成我们语音识别翻译的功能。
2.1 egg.js 服务初始化
我们使用 egg.js 的 cli 快速初始化一个工程，当然你也可以使用 express、koa、kraken 等等框架，框架的选型在此不是重点我们就不做展开阐述了。对 egg.js 不熟悉的同学可以查看egg.js 的官网。
npm i egg-init -g egg-init voice-server --type=simple cd voice-server npm i
安装完成后，执行以下代码
npm run dev
随后访问浏览器http://127.0.0.1:7001应该可以看到一个Hi, egg 的页面。至此我们的服务初始化完成。
2.2 文件上传接口
a) 修改 egg.js 的文件上传配置
打开 config/config.default.js，添加以下两项配置
module.exports = appInfo => {
...
config.multipart = {
fileSize: \'2gb\', // 限制文件大小
whitelist: [ \'.aac\', \'.m4a\', \'.mp3\' ], // 支持上传的文件后缀名
};
config.security = {
csrf: {
enable: false // 关闭csrf
}
};
...
}
b) 添加 VoiceController
打开 app/controller 文件夹，新建文件 voice.js。编写 VoiceController 使其继承于 egg.js 的 Controller。具体代码如下：
const Controller = require(\'egg\').Controller;
const fs = require(\'fs\');
const path = require(\'path\');
const pump = require(\'mz-modules/pump\');
const uuidv1 = require(\'uuid/v1\'); // 依赖于uuid库，用于生成唯一文件名，使用npm i uuid安装即可
// 音频文件上传后存储的路径
const targetPath = path.resolve(__dirname, \'..\', \'..\', \'uploads\');
class VoiceController extends Controller {
constructor(params) {
super(params);
if (!fs.existsSync(targetPath)) {
fs.mkdirSync(targetPath);
}
}
async translate() {
const parts = this.ctx.multipart({ autoFields: true });
let stream;
const voicePath = path.join(targetPath, uuidv1());
while (!isEmpty((stream = await parts()))) {
await pump(stream, fs.createWriteStream(voicePath));
}
// 到这里就完成了文件上传。如果你不需要文件落地，也可以在后续的操作中，直接使用stream操作文件流
...
// 音频编码
// 科大讯飞语音识别
...
}
}
c) 最后一步，新增路由规则
写完 controller 之后，我们依据 egg.js 的规则，在 router.js 里面新增一个路由。
module.exports = app => {
const { router, controller } = app;
router.get(\'/\', controller.home.index);
router.get(\'/voice\', controller.voice.translate);
};
OK，至此你可以测试一下从小程序录音，录音完成后上传到后台文件服务器的完整流程。如果没问题，那恭喜你你已经完成了 80%的工作了！
3、音频编码服务
在上文中，小程序录音的方法 recorderManager.start 的时候我们提及到了“更多参数”。其中有一个参数是 format，支持 aac 和 mp3 两种（默认是 aac）。然后我们查阅了科大讯飞的 api 文档，音频编码支持“未压缩的 pcm 或 wav 格式”。
什么 aac、pcm、wav？emmm.. OK，我们只是前端，既然格式不对等，那只需要完成 aac -> pcm 转化即可，ffmpeg 立即浮现在笔者的脑海里。一番搜索，命令大概是这样子的：
ffmpeg -i uploads/a3f588d0-edf8-11e8-b6f5-2929aef1b7f8.aac -f s16le -ar 8000 -ac 2 -y decoded.pcm
# -i 后面带的是源文件
# -f s16le 指的是编码格式
# -ar 8000 编码码率
# -ac 2 通道
接下来我们使用 node.js 来实现上述命令。
3.1 引入相关依赖包
npm i ffmpeg-static npm i fluent-ffmpeg
3.2 创建一个编码服务
在 app/service 文件夹中，创建 ffmpeg.js 文件。新建 FFmpegService 继承于 egg.js 的 Service
const { Service } = require(\'egg\');
const ffmpeg = require(\'fluent-ffmpeg\');
const ffmpegStatic = require(\'ffmpeg-static\');
const path = require(\'path\');
const fs = require(\'fs\');
ffmpeg.setFfmpegPath(ffmpegStatic.path);
class FFmpegService extends Service {
async aac2pcm(voicePath) {
const command = ffmpeg(voicePath);
// 方便测试，我们将转码后文件落地到磁盘
const targetDir = path.join(path.dirname(voicePath), \'pcm\');
if (!fs.existsSync(targetDir)) {
fs.mkdirSync(targetDir);
}
const target = path.join(targetDir, path.basename(voicePath)) + \'.pcm\';
return new Promise((resolve, reject) => {
command
.audioCodec(\'pcm_s16le\')
.audioChannels(2)
.audioBitrate(8000)
.output(target)
.on(\'error\', error => {
reject(error);
})
.on(\'end\', () => {
resolve(target);
})
.run();
});
}
}
module.exports = FFmpegService;
3.3 调用 ffmpegService，获得 pcm 文件
回到 app/controller/voice.js 文件中，我们在文件上传完成后，调用 ffmpegService 提供的 aac2pcm 方法，获取到 pcm 文件的路径。
// app/controller/voice.js
...
async translate() {
...
...
const pcmPath = await this.ctx.service.ffmpeg.aac2pcm(voicePath);
...
}
...
4、对接科大讯飞 API
首先，需要到科大讯飞开放平台注册并新增应用、开通应用的语音听写服务。
我们再写一个服务，在 app/service 文件夹下创建 xfyun.js 文件，实现 XFYunService 继承于 egg.js 的 Service。
4.1 引入相关依赖
npm i axios // 网络请求库 npm i md5 // 科大讯飞接口中需要md5计算 npm i form-urlencoded // 接口中需要对部分内容进行urlencoded
4.2 XFYunService 实现
const { Service } = require(\'egg\');
const fs = require(\'fs\');
const formUrlencoded = require(\'form-urlencoded\').default;
const axios = require(\'axios\');
const md5 = require(\'md5\');
const API_KEY = \'xxxx\'; // 在科大讯飞控制台上可以查到服务的APIKey
const API_ID = \'xxxxx\'; // 同样可以在控制台查到
class XFYunService extends Service {
async voiceTranslate(voicePath) {
// 继上文，暴力的读取文件
let data = fs.readFileSync(voicePath);
// 将内容进行base64编码
data = new Buffer(data).toString(\'base64\');
// 进行url encode
data = formUrlencoded({ audio: data });
const params = {
engine_type: \'sms16k\',
aue: \'raw\'
};
const x_CurTime = Math.floor(new Date().getTime() / 1000) + \'\',
x_Param = new Buffer(JSON.stringify(params)).toString(\'base64\');
return axios({
url: \'http://api.xfyun.cn/v1/service/v1/iat\',
method: \'POST\',
data,
headers: {
\'X-Appid\': API_ID,
\'X-CurTime\': x_CurTime,
\'X-Param\': x_Param,
\'X-CheckSum\': md5(API_KEY + x_CurTime + x_Param)
}
}).then(res => {
// 查询成功后，返回response的data
return res.data || {};
});
}
}
module.exports = XFYunService;
4.3 调用 XFYunService，完成语音识别
再次回到 app/controller/voice.js 文件中，我们在 ffmpeg 转码完成后，调用 XFYunService 提供的 voiceTranslate 方法，完成语音识别。
// app/controller/voice.js
...
async translate() {
...
...
const result = await this.ctx.service.xfyun.voiceTranslate(pcmPath);
this.ctx.body = result;
if (+result.code !== 0) {
this.ctx.status = 500;
}
}
...
至此我们完成语音识别的代码编写。主要流程其实很简单，通过小程序录入语音文件，上传到文件服务器之后，通过 ffmpeg 获取到 pcm 文件， 最后再转发到科大讯飞的 api 接口进行识别。
以上，如有错漏，欢迎指正！
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对极客世界的支持。
