本文共 4231 字，大约阅读时间需要 14 分钟。

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。这使得后续的分析和功能利用更加便捷。以下将介绍如何使用 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。

教程要求

本教程将使用以下依赖项。请确保您的环境中安装了Python 3，最好是3.6或更高版本：

• requests 2.24.0 用于向 AssemblyAI 语音文本API发出HTTP请求
• AssemblyAI 账户，您可以通过 (https://app.assemblyai.com/login/)注册免费的API访问密钥

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，示例如下：

(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 requests 包安装到已激活但为空的 virtualenv 中：

pip install requests==2.24.0

安装完成后，我们已经准备好开始编码了。

上传、启动和转录音频

我们将编写三个文件来实现音频转文本功能：

创建一个名为 pytranscribe 的新目录，进入该目录：

mkdir pytranscribe && cd pytranscribe

导出 API 密钥

注册 AssemblyAI 帐户并登录 AssemblyAI 仪表板，复制“您的API token”。在终端中执行：

export ASSEMBLYAI_KEY=your-api-key-here

请确保在运行脚本的终端中将该标记导出，以保证 API 可访问。

上传音频文件并进行转录

创建 upload_audio_file.py 文件，并添加以下代码：

import argparse
import os
import requests
API_URL = "https://api.assemblyai.com/v2/"
CDN_URL = "https://cdn.assemblyai.com/"
def upload_file_to_api(filename):
    if not os.path.exists(filename):
        return None
    headers = {'authorization': os.getenv("ASSEMBLYAI_KEY")}
    response = requests.post(
        f"{API_URL}upload",
        headers=headers,
        data=read_file(filename)
    )
    return response.json()
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
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(f"File uploaded to URL: {response_json['upload_url']}")

运行脚本：

python upload_audio_file.py /path/to/your/audio.mp3

完成后，脚本会打印一条包含唯一URL的消息。保存该URL，以备下一步使用。

启动转录

创建 initial_transcription.py 文件，并添加以下代码：

import argparse
import os
import requests
API_URL = "https://api.assemblyai.com/v2/"
CDN_URL = "https://cdn.assemblyai.com/"
def initiate_transcription(file_id):
    endpoint = f"{API_URL}transcript"
    json_data = {"audio_url": f"{CDN_URL}upload/{file_id}"}
    headers = {
        "authorization": os.getenv("ASSEMBLYAI_KEY"),
        "content-type": "application/json"
    }
    response = requests.post(endpoint, json=json_data, headers=headers)
    return response.json()
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)

运行脚本并传入上一步生成的文件标识符：

python initial_transcription.py gkuu2krb1-8c7f-4fe3-bb69-6b14a2cac067

API 会返回一个 JSON 响应，其中包含转录标识符。记住该标识符，以便下一步检索转录结果。

检索转录结果

创建 get_transcription.py 文件，并添加以下代码：

import argparse
import os
import requests
API_URL = "https://api.assemblyai.com/v2/"
def get_transcription(transcription_id):
    endpoint = f"{API_URL}transcript/{transcription_id}"
    headers = {"authorization": os.getenv("ASSEMBLYAI_KEY")}
    response = requests.get(endpoint, headers=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(f"current status of transcription request: {response_json['status']}")

运行脚本并传入上一步生成的转录标识符：

python get_transcription.py gkuu2krb1-8c7f-4fe3-bb69-6b14a2cac067

如果转录完成，脚本会打印转录文本；否则，会打印当前状态。

下一步是什么？

我们已经完成了一些脚本，这些脚本调用 AssemblyAI API 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）

转载地址：http://npgp.baihongyu.com/