MaixCAM MaixPy 语音实时识别

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。

连续大词汇量语音识别

from maix import app, nn

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

def callback(data: tuple[str, str], len: int):
    print(data)

lmS_path = "/root/models/lmS/"

speech.lvcsr(lmS_path + "lg_6m.sfst", lmS_path + "lg_6m.sym", \
             lmS_path + "phones.bin", lmS_path + "words_utf.bin", \
             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: tuple[str, str], len: int):
    print(data)

lmS_path = "/root/models/lmS/"

speech.lvcsr(lmS_path + "lg_6m.sfst", lmS_path + "lg_6m.sym", \
             lmS_path + "phones.bin", lmS_path + "words_utf.bin", \
             callback)

• 用户可以同时设置多个解码器，lvcsr 解码器用于输出连续语音识别结果（小于1024个汉字结果）。

• 设置 lvcsr 解码器时需要设置 sfst 文件路径，sym 文件路径（输出符号表），phones.bin 的路径（拼音表），和 words.bin 的路径（词典表）。最后还要设置一个回调函数用于处理解码出的数据。

• 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_LVCSR)

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，会得到实时语言识别结果，如：

### SIL to clear decoder!
('今天天气 怎么样 ', 'jin1 tian1 tian1 qi4 zen3 me yang4 ')