MaixCAM MaixPy 连续中文数字识别

简介

MaixCAM 移植了 Maix-Speech 离线语音库，实现了连续中文数字识别、关键词识别以及大词汇量语音识别功能。支持 PCM 和 WAV 格式的音频识别，且可通过板载麦克风进行输入识别。

Maix-Speech

Maix-Speech 是一款专为嵌入式环境设计的离线语音识别库，针对语音识别算法进行了深度优化，显著降低内存占用，同时在识别准确率方面表现优异。详细说明请参考 Maix-Speech 使用文档。

连续中文数字识别

from maix import app, nn

speech = nn.Speech("/root/models/am_3332_192_int8.mud")
speech.init(nn.SpeechDevice.DEVICE_MIC)

def callback(data: str, len: int):
    print(data)

speech.digit(640, callback)

while not app.need_exit():
    frames = speech.run(1)
    if frames < 1:
        print("run out\n")
        break

使用方法

1. 导入 app 和 nn 模块

from maix import app, nn

2. 加载声学模型

speech = nn.Speech("/root/models/am_3332_192_int8.mud")

• 也可以加载 am_7332 声学模型，模型越大精度越高但是消耗的资源也越大

3. 选择对应的音频设备

speech.init(nn.SpeechDevice.DEVICE_MIC)
speech.init(nn.SpeechDevice.DEVICE_MIC, "hw:0,0")   # 指定音频输入设备

• 这里使用的是板载的麦克风，也选择 WAV 和 PCM 音频作为输入

speech.init(nn.SpeechDevice.DEVICE_WAV, "path/audio.wav")   # 使用 WAV 音频输入

speech.init(nn.SpeechDevice.DEVICE_PCM, "path/audio.pcm")   # 使用 PCM 音频输入

• 注意 WAV 需要是 16KHz 采样，S16_LE 存储格式，可以使用 arecord 工具转换

arecord -d 5 -r 16000 -c 1 -f S16_LE audio.wav

• 在 PCM/WAV 识别时，如果想要重新设置数据源，例如进行下一个WAV文件的识别可以使用 speech.device 方法，内部会自动进行缓存清除操作：

speech.device(nn.SpeechDevice.DEVICE_WAV, "path/next.wav")

4. 设置解码器

def callback(data: str, len: int):
    print(data)

speech.digit(640, callback)

• 用户可以同时设置多个解码器，digit 解码器的作用是输出最近4s内的中文数字识别结果。返回的识别结果为字符串形式，支持 0123456789 .(点) S(十) B(百) Q(千) W(万)。

• 设置 digit 解码器时需要设置 blank 值，超过该值（ms）则在输出结果里插入一个 _ 表示空闲静音

• 如果不再需要使用某个解码器，可以通过调用 speech.dec_deinit 方法进行解除初始化。

speech.dec_deinit(nn.SpeechDecoder.DECODER_DIG)

5. 识别

while not app.need_exit():
    frames = speech.run(1)
    if frames < 1:
        print("run out\n")
        break

• 使用 speech.run 方法运行语音识别，传入的参数为每次运行的帧数，返回实际运行的帧数。用户可以选择每次运行1帧后进行其他处理，或在一个线程中持续运行，使用外部线程进行停止。

• 若需清除已识别结果的缓存，可以使用 speech.clear 方法。

• 在识别过程中切换解码器，切换后的第一帧可能会出现识别错误。可以使用 speech.skip_frames(1) 跳过第一帧，确保后续结果准确。

识别结果

如果上述程序运行正常，对板载麦克风说话，会得到连续中文数字识别结果，如：

_0123456789