Python 是一門通用性很強的語言，本文主要講述其中的音頻模塊 gtts（Google文本到語音）的使用。

---

1.音頻模塊簡介

• 文本轉語音：
  • gtts：谷歌模塊
  • aip：百度合成
• 格式轉換：
  • pydub和ffmpeg：實現mp3轉wav格式
• 發音：
  • pyttsx3：系統內置語音引擎實現發音，不生成mp3
  • win32com：Windows操作系統內置的語音引擎實現文字發音
• 音頻轉文字：
  • SpeechRecognition：IBM speech to text

谷歌gTTS模塊：gtts文檔
百度語音合成api接口：api文檔

2.模塊安裝

pip install gTTS # 谷歌文字轉語音 pip install baidu-aip # 語音合成 pip install playsound # 語音播放 pip install pyttsx3 # 語音引擎實現發音 pip install SpeechRecognition # 音頻轉文字

3.文字轉音頻

3.1.gtts模塊使用

from gtts import gTTSdef text2voice():"""文字轉語音 - 谷歌 gtts模塊"""tts = gTTS(text="oh 寶貝! come on, baby!", lang="en")tts.save("test.mp3")

3.2.百度合成

進入語音合成網站，登錄創建應用

from aip import AipSpeechAPP_ID = '你的 App ID' API_KEY = '你的 Api Key' SECRET_KEY = '你的 Secret Key' client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)# 合成音頻 def text_mixin_vocie():result = client.synthesis('你好嗎？', 'zh', 1, {'vol': 5, })# 識別正確返回語音二進制 錯誤則返回dict if not isinstance(result, dict):with open('auido.mp3', 'wb') as f:f.write(result)# 讀取文件 def get_file_content(filePath):cmd_str = "ffmpeg -y -i %s -acodec pcm_s16le -f s16le -ac 1 -ar 16000 %s.pcm"%(filePath, filePath)os.system(cmd_str) # 調用系統命令ffmpeg,傳入音頻文件名即可with open(filePath + ".pcm", 'rb') as fp:return fp.read()# 識別本地文件 res = client.asr(get_file_content('audio.m4a'), 'pcm', 16000, {'dev_pid': 1536, # 1536表示能識別中文和英文，它的容錯率比較高 }) print(res) print(res['result'])

3.3.語音播放

from playsound import playsounddef play_voice():playsound("store/test.mp3") # 音頻文件路徑

3.4.文字發音

• win32com 模塊

import win32com.client as windef word_pronunciation():speak = win.Dispatch("SAPI.SpVoice")speak.Speak("come on, baby!")speak.Speak("寶貝兒，你好!")

• pyttsx3 模塊

pyttsx3 模塊可能會安裝失敗，可去官網下載指定版本

import pyttsx3def word_pronunciation_v2():engine = pyttsx3.init()engine.setProperty("voice", "HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Speech\Voices\Tokens\TTS_MS_ZH - CN_HUIHUI_11.0")engine.say('開始語音合成中...')engine.say("你好嗎？寶兒姐...")engine.say('全世界都在說中國話...')engine.runAndWait()

4.音頻轉文字

4.1.注冊IBM應用

首先去Speech to text官網注冊.

4.2.獲取憑證

到管理頁面，獲取憑證

4.3.轉換實現

入門教程: Speech to Text

python接口使用參考

音頻轉換文字方式：

• python 腳本運行命令轉錄音頻（參考文檔中的 curl 命令）
• requests調用api接口（https://gateway-wdc.watsonplatform.net/speech-to-text/api/v1/recognize）
• speech_recognition模塊

import speech_recognition as sr import requestsharvard = sr.AudioFile('audio.wav') # 文件路徑 r = sr.Recognizer() with harvard as source:audio = r.record(source) print(type(audio))IBM_USERNAME = '******' IBM_PASSWORD= '******' text = r.recognize_ibm(audio, username = IBM_USERNAME, password = IBM_PASSWORD, language='zh-CN') # 或者 text = r.recognize_google(audio, language = 'zh-CN')print(text)

5.音頻格式轉換

5.1.ffmpeg的使用

5.1.1.安裝ffmpeg

參考：ffmpeg使用參考

pip install ffmpeg

5.1.2.引入exe路徑：

• 將 ffmpeg 添加到環境變量
• 在代碼中引入 ffmpeg 路徑

5.1.3.實現轉換

def trans_voice_type():"""音頻格式轉換"""source_path = "xxx"save_path = 'xxx'source_file = os.listdir(source_path)for source in source_file:old_path = os.path.join(source_path, source)new_name = os.path.join(save_path, source[:-4]) # 截取音頻名字,刪除后綴print('正在轉換音頻:{}'.format(new_name))os.popen("C:\\python\\python36\\Tools\\ffmpeg\\bin\\ffmpeg.exe -i " + old_path + " " + new_name + ".wav")print('所有音頻轉換完畢!')

5.2.pydub的使用

5.2.1.安裝pydub

pip install pydub

5.2.2.實現轉換

from pydub import AudioSegmentdef convert_video(file_path):outfile = os.path.splitext(os.path.realpath(file_path))[0] + '.wav'AudioSegment.converter = "C:\\python\\python36\\Tools\\ffmpeg\\bin\\ffmpeg.exe"AudioSegment.from_file(file_path).export(outfile, format='wav')

---

以上關于pydub轉換時，會有FileNotFoundError報錯信息，這是由于依賴程序ffmpeg未找到，手動設置后，依舊沒解決，這里做個標記，后續解決再補充，或者有人知道的可以告訴我一下，感謝！

---

原文可見：我的博客 - 音頻文字轉換

總結

以上是生活随笔為你收集整理的Python（九）- 音频文字转换的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。