3,882
社区成员
发帖
与我相关
我的任务
分享大家一起来分析google语音搜索API,Speex编码问题
想用Google 语音搜索的API，Chrome 浏览器上就使用了，以前chrome上使用的是speex语音编码，非常好，一段话编码后就几K，音质也很清晰，可没几天Google就换成Flac编码了，这样说一句话起码上百K，实在搞不懂为什麽要换Flac。不过speex编码的接口依然能用，可是就是生成不了符合要求的speex编码音频，Flac只要符合16000采样率就行，是标准的Flac数据头，测试通过。
API地址：http://www.google.com/speech-api/v1/recognize?lang=zh&client=chromium&xjerr=1&maxresults=1
Content-Type: audio/x-speex-with-header-byte; rate=16000
识别成功了就会返回json数据
我用speexenc.exe 将PCM数据转成spx格式，POST上去，识别不了，
speexenc.exe 是使用OGG封包的，数据头是OggS开头。
Chrome使用语音搜索时我抓包了下，发现POST上去的数据并不是OGG格式封装，而且也见不到Speex编码的字符串，我直接将PCM数据编码就导出，没数据头，POST上去也识别不了
但从Content-Type: audio/x-speex-with-header-byte可以看出应该是有加数据头的。
我就抓三次包，对比下，发现有两次前面几行是一样的，一次有区别
第一次
.F.fh...9.sGl.........+...F......9vsGl6..6.....6..
..o...v...
...x..v...
...H..v...
......v...
..f...v..B
...`..v...
..gh..v..@
..g...v..@
..f0..p...
..f...v...
..g...v...
..fh..v...
..g...v..B
......v...
...x..v...F5.!....2.;h...2.C.....".#..d...]J
第二次
.F.fh...9.sGl.........+...F......9vsGl6..6.....6..
..o...v...
...x..v...
...H..v...
......v...
..f...v..B
...`..v...
..gh..v..@
..g...v..@
..f0..p...
..f...v...
..g...v...
..fh..v...
..g...v..B
......v...
...x..v...F5......d.;h...2.C.......#..o.D.Q
第三次
.F.n8...9.sGl...6..6..6...F.fP.....sGl9..6..0..6..
..gx..v...
..n`..v..D
...|..v..
..o...v. .
......v...
..oL..v...
......v..@
... ..p...
...(..p. .
..g...v...
..f...p...
..nh..v..D
..nP..v..@
..f...v...
......v..@V=..D..........m.[m...?........u..[...........d.E.....
我只能去看chromium源码了，虽然语音搜索API是chromium 11正式版开始添加的，可没几天就换成Flac编码了，上面只有部分Speex编码代码。还好OSchina收录了使用speex编码的版本
http://www.oschina.net/code/explore/chromium.r67069/chrome/browser/speech
下面是speex编码的核心代码
http://www.oschina.net/code/explore/chromium.r67069/chrome/browser/speech/speech_recognizer.cc
可我并没有找到添加数据头的地方，Google也没有修改Speex的核心源码，
只看到下面这句
//Encode the frame and place the size of the frame as the first byte.
//This is the packet format for MIME type x-speex-with-header-byte. 腾出第一个字节不编码保留数据头，一个字节够数据头？没弄明白
大家帮忙分析下吧，就为这个Speex编码熬了好几天了....
另外还抓到了Android 和Iphone 的语音搜索的API
http://www.google.com/m/appreq/vs
http://www.google.com/m/appreq/gmiphone
Content-Type: application/binary
这个上传的声音数据头加了手机版本信息等数据头，好像使用ARM格式录制，但和PC端用的API不一样，POST要2次，还要用cookies去获取数据，返回的数据还是加密的，比较麻烦。
API地址：http://www.google.com/speech-api/v1/recognize?lang=zh&client=chromium&xjerr=1&maxresults=1
Content-Type: audio/x-speex-with-header-byte; rate=16000
识别成功了就会返回json数据
我用speexenc.exe 将PCM数据转成spx格式，POST上去，识别不了，
speexenc.exe 是使用OGG封包的，数据头是OggS开头。
Chrome使用语音搜索时我抓包了下，发现POST上去的数据并不是OGG格式封装，而且也见不到Speex编码的字符串，我直接将PCM数据编码就导出，没数据头，POST上去也识别不了
但从Content-Type: audio/x-speex-with-header-byte可以看出应该是有加数据头的。
我就抓三次包，对比下，发现有两次前面几行是一样的，一次有区别
第一次
.F.fh...9.sGl.........+...F......9vsGl6..6.....6..
..o...v...
...x..v...
...H..v...
......v...
..f...v..B
...`..v...
..gh..v..@
..g...v..@
..f0..p...
..f...v...
..g...v...
..fh..v...
..g...v..B
......v...
...x..v...F5.!....2.;h...2.C.....".#..d...]J
第二次
.F.fh...9.sGl.........+...F......9vsGl6..6.....6..
..o...v...
...x..v...
...H..v...
......v...
..f...v..B
...`..v...
..gh..v..@
..g...v..@
..f0..p...
..f...v...
..g...v...
..fh..v...
..g...v..B
......v...
...x..v...F5......d.;h...2.C.......#..o.D.Q
第三次
.F.n8...9.sGl...6..6..6...F.fP.....sGl9..6..0..6..
..gx..v...
..n`..v..D
...|..v..
..o...v. .
......v...
..oL..v...
......v..@
... ..p...
...(..p. .
..g...v...
..f...p...
..nh..v..D
..nP..v..@
..f...v...
......v..@V=..D..........m.[m...?........u..[...........d.E.....
我只能去看chromium源码了，虽然语音搜索API是chromium 11正式版开始添加的，可没几天就换成Flac编码了，上面只有部分Speex编码代码。还好OSchina收录了使用speex编码的版本
http://www.oschina.net/code/explore/chromium.r67069/chrome/browser/speech
下面是speex编码的核心代码
http://www.oschina.net/code/explore/chromium.r67069/chrome/browser/speech/speech_recognizer.cc
可我并没有找到添加数据头的地方，Google也没有修改Speex的核心源码，
只看到下面这句
//Encode the frame and place the size of the frame as the first byte.
//This is the packet format for MIME type x-speex-with-header-byte. 腾出第一个字节不编码保留数据头，一个字节够数据头？没弄明白
大家帮忙分析下吧，就为这个Speex编码熬了好几天了....
另外还抓到了Android 和Iphone 的语音搜索的API
http://www.google.com/m/appreq/vs
http://www.google.com/m/appreq/gmiphone
Content-Type: application/binary
这个上传的声音数据头加了手机版本信息等数据头，好像使用ARM格式录制，但和PC端用的API不一样，POST要2次，还要用cookies去获取数据，返回的数据还是加密的，比较麻烦。
...全文
请发表友善的回复…
发表回复
MagicFox 2012-08-05
- 打赏
- 举报
楼主，有没有语音设备的JDK或者jar文件呢？
illuspas 2012-06-28
- 打赏
- 举报
看speech_recognizer.cc 100行
// Encode the frame and place the size of the frame as the first byte. This
// is the packet format for MIME type x-speex-with-header-byte.
将每个frame的size作为第一个字节打包就构成了 x-speex-with-header-byte 类型
我试过，识别成功
// Encode the frame and place the size of the frame as the first byte. This
// is the packet format for MIME type x-speex-with-header-byte.
将每个frame的size作为第一个字节打包就构成了 x-speex-with-header-byte 类型
我试过，识别成功
seaseal 2011-10-31
- 打赏
- 举报
http://blog.laobubu.net/546?replytocom=318
看看Google的猥琐API之STT！（属于speech-api v1的recognize）
http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN
如何调用
要使用这个API，你得先有一些心理素质：面对倒霉的FLAC格式，因为这个API只支持FLAC格式的数据，杯具啊。
不过你找到了我的博客，那么你是幸福的，因为我已经为你准备了不少好东西了。（顺便说一句，如果要转载记得清楚地标注“来自http://blog.laobubu.net”，我信任你。）
现在看看如何请求数据：
【URL】http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN
【方式】POST
【请求头】Content-Type:audio/x-flac; rate=16000
【POST】flac文件的数据
如果你人品大爆发，你成功了，可以得到类似这个的结果
{"status":0,"id":"54e1babccaa58682ffbb02ceb42aa47c-1",
"hypotheses":[{"utterance":"测试程序","confidence":0.8556527}]}
实例：用于Python
#By laobubu.net
import urllib2
FILE='1.flac' #这里假设在当前文件夹下有一个叫1.flac的文件被识别
url = 'http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN'
audio=open(FILE,'rb').read()
headers = {'Content-Type' : 'audio/x-flac; rate=16000'}
req = urllib2.Request(url, audio, headers)
response = urllib2.urlopen(req)
print response.read().decode('UTF-8')
头疼：FLAC文件格式
这里我长话短说，google的flac也有限制，22050 Hz+201kbps还正常，如果比这个大多了就不对了。
不过还有最要命的问题，怎么生成FLAC文件？
没关系，这里有救星：flac.exe包下载
http://datastorage.laobubu.net/FLAC.zip （跟你说的，上laobubu.net没错的）
具体使用方法是【flac.exe 文件.wav】这样在命令行调用即可，测试得知：不支持MP3等格式，但是支持基本的wav格式。
好了，你可以去制造你的app了，哈哈。
爱你：来自laobubu实验室的福音
为了方便，我写了一个python程序，放在Google App Engine上面，只要提交一个音频文件的URL(支持MP3、wav等常见格式)，且文件不大，就可以得到结果了哦。（再次强调，跟你说的，上laobubu.net没错的）
API入口：http://laobubumf.appspot.com/stt/
备用入口：http://glab.laobubu.net/stt/
看看Google的猥琐API之STT！（属于speech-api v1的recognize）
http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN
如何调用
要使用这个API，你得先有一些心理素质：面对倒霉的FLAC格式，因为这个API只支持FLAC格式的数据，杯具啊。
不过你找到了我的博客，那么你是幸福的，因为我已经为你准备了不少好东西了。（顺便说一句，如果要转载记得清楚地标注“来自http://blog.laobubu.net”，我信任你。）
现在看看如何请求数据：
【URL】http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN
【方式】POST
【请求头】Content-Type:audio/x-flac; rate=16000
【POST】flac文件的数据
如果你人品大爆发，你成功了，可以得到类似这个的结果
{"status":0,"id":"54e1babccaa58682ffbb02ceb42aa47c-1",
"hypotheses":[{"utterance":"测试程序","confidence":0.8556527}]}
实例：用于Python
#By laobubu.net
import urllib2
FILE='1.flac' #这里假设在当前文件夹下有一个叫1.flac的文件被识别
url = 'http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN'
audio=open(FILE,'rb').read()
headers = {'Content-Type' : 'audio/x-flac; rate=16000'}
req = urllib2.Request(url, audio, headers)
response = urllib2.urlopen(req)
print response.read().decode('UTF-8')
头疼：FLAC文件格式
这里我长话短说，google的flac也有限制，22050 Hz+201kbps还正常，如果比这个大多了就不对了。
不过还有最要命的问题，怎么生成FLAC文件？
没关系，这里有救星：flac.exe包下载
http://datastorage.laobubu.net/FLAC.zip （跟你说的，上laobubu.net没错的）
具体使用方法是【flac.exe 文件.wav】这样在命令行调用即可，测试得知：不支持MP3等格式，但是支持基本的wav格式。
好了，你可以去制造你的app了，哈哈。
爱你：来自laobubu实验室的福音
为了方便，我写了一个python程序，放在Google App Engine上面，只要提交一个音频文件的URL(支持MP3、wav等常见格式)，且文件不大，就可以得到结果了哦。（再次强调，跟你说的，上laobubu.net没错的）
API入口：http://laobubumf.appspot.com/stt/
备用入口：http://glab.laobubu.net/stt/
星羽 2011-10-31
- 打赏
- 举报
没接触过,up一下
quwei197874 2011-10-28
- 打赏
- 举报
微软的speech sdk和Google的差不多，楼主可关注下，要好些的可找科大讯飞或neuance的demon版的引擎。
柯本 2011-10-28
- 打赏
- 举报
只用CB用过MS sapi.dll的SpVoive(ActiveX 控件),它的语音文件的确很小,比我下载的其它语音包小很多.不过倒是没研究过它的格式,关注下.
JieTouLangRen 2011-10-28
- 打赏
- 举报
mark~
