silk v3录音转olami语音识别和语义处理的api服务（ubuntu16.04服务器上实现）
重要的写在前面
重要事项一：
目前本文中提到的API已支持微信小程序录音文件格式：silk v3、webm/base64。
注：微信小程序开发工具上的录音虽然后辍名也是silk，但不是真正的silk v3格式的（打开xx.silk看头部是“data:audio/webm;base64,”开头的），为了便于调试，这类格式我今天加急给支持上了，所以：微信小程序开发工具也可以调用我的API调试了。
重要事项二：
想要用我这个API，务必先去cn.olami.ai申请appKey和appSecret，然后将appKey告知我，我加进支持列表方可调用，二者缺一不可。文末有将有调用此文提到的API服务的案例以及源码分享文章链接。
调用案例：“遥知之”智能小秘，欢迎扫码体验：
重要事项三：
欢迎转载本文，没有什么别的要求，请保留：
原文链接：http://blog.csdn.net/happycxz/article/details/78016299
本文所有源码对应码云链接：https://gitee.com/happycxz/silk2asr
本文所有源码对应github链接：https://github.com/happycxz/silk2asr
为什么做？
前不久刚发布了一个智能生活信息查询的小助手“遥知之”，可惜只能手动输入来玩，这一点体验很不好，因为微信小程序录音是silk格式的，现在主要的语音识别接口都不支持。
在网上搜了下相应的功能，也只有php做的开源代码实现的silk转wav的服务器代码，首先我不熟悉PHP，其次也不知道后期有没有维护，干脆自己做一个tomcat + java版的，权当学习娱乐一下。
怎么做？
准备环境
先需要有一个支持https的服务器，我目前用的服务器是阿里云秒杀的免费最低配置的服务器，预装的ubuntu16.04 LTS版，然后自己捣鼓一下，配置上了https，具体是用 nginx + let's encrypt + tomcat来提供的https的API。这里不详细介绍，感兴趣的自己研究下。
需要一个silk解码器，网上有一牛在2015年年初曾经发贴讨论过这个话题：silk v3 编码的音频怎么转换成 wav 或 mp3 之类的？
而且此牛后面有持续研究，提供了开源的silk_v3_decoder项目，具体见：kn007大牛的silk_v3_decoder
对了，开源项目是github上的，服务器上装个git，这不用额外再说明了吧。
搭建服务步骤
下载silk-v3-decoder
基本就是在服务器上找个目录，把大牛kn007的项目下载下来。
root@alijod:/home/jod/wechat_app# mkdir download
root@alijod:/home/jod/wechat_app# cd download/
root@alijod:/home/jod/wechat_app/download# git clone https://github.com/kn007/silk-v3-decoder.git
Cloning into 'silk-v3-decoder'...
remote: Counting objects: 634, done.
remote: Total 634 (delta 0), reused 0 (delta 0), pack-reused 634
Receiving objects: 100% (634/634), 72.79 MiB | 9.50 MiB/s, done.
Resolving deltas: 100% (352/352), done.
Checking connectivity... done.
root@alijod:/home/jod/wechat_app/download# ll
total 12
drwxr-xr-x 3 root root 4096 Sep 18 10:11 ./
drwxr-xr-x 7 root root 4096 Sep 18 10:11 ../
drwxr-xr-x 5 root root 4096 Sep 18 10:11 silk-v3-decoder/
root@alijod:/home/jod/wechat_app/download# ls silk-v3-decoder/
converter_beta.sh converter.sh LICENSE README.md silk windows
看上述目录，其实只用到了silk这个目录，和converter.sh这个脚本。silk目录中的C代码需要gcc编译，converter.sh脚本需要修改一下，后续都会提。
编译silk_v3_decoder
根据https://github.com/kn007/silk-v3-decoder上的README，用上这个工具，需要gcc和ffmpeg，gcc是在编译silk时执行make时用到的（普及一下小白），ffmpeg其实是脚本里要用的，与编译无关。事实是，ffmpeg在整个服务搭建过程确实不是必备的，后文将有针对这个额外说明，只是本人偷懒，暂时不想再深入研究了。
gcc的环境，如果没有安装，自己网搜吧，这里不扯了，直接进入正题：
root@alijod:/home/jod/wechat_app/download# cd silk-v3-decoder/silk/
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder/silk# ll
total 32
drwxr-xr-x 5 root root 4096 Sep 18 10:11 ./
drwxr-xr-x 5 root root 4096 Sep 18 10:11 ../
drwxr-xr-x 2 root root 4096 Sep 18 10:11 interface/
-rw-r--r-- 1 root root 3278 Sep 18 10:11 Makefile
drwxr-xr-x 2 root root 12288 Sep 18 10:11 src/
drwxr-xr-x 2 root root 4096 Sep 18 10:11 test/
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder/silk# make
…………
…………（这里是一大段编译过程日志）
…………
a - src/SKP_Silk_scale_vector.o
gcc -c -Wall -enable-threads -O3 -Iinterface -Isrc -Itest -o test/Decoder.o test/Decoder.c
test/Decoder.c: In function ‘main’:
test/Decoder.c:187:9: warning: ignoring return value of ‘fread’, declared with attribute warn_unused_result [-Wunused-result]
fread(header_buf, sizeof(char), 1, bitInFile);
^
g++ -L./ test/Decoder.o -lSKP_SILK_SDK -o decoder
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder/silk# ls
decoder interface libSKP_SILK_SDK.a Makefile src test
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder/silk#
可以看到，上面编译过程中，最后出现了一个warning，不过没关系，ls查一下，第一个“decoder”就是我们要用的binary啦，有它就证明编译成功了。
测试silk_v3_decoder功能
接下来就要验证一下编出来的这个能不能用了。
根据https://github.com/kn007/silk-v3-decoder上的README，摘下来一段：
sh converter.sh silk_v3_file/input_folder output_format/output_folder flag(format)
比如转换一个文件，使用：
sh converter.sh 33921FF3774A773BB193B6FD4AD7C33E.slk mp3
注意：其中33921FF3774A773BB193B6FD4AD7C33E.slk是要转换的文件，而mp3是最终转换后输出的格式。
参考上面那个例子就好了，脚本参数只有两个，一个是源文件相对或绝对路径，另一个是目标格式。
也就是说上述命令会将33921FF3774A773BB193B6FD4AD7C33E.slk（注意，例子里是slk后辍，你自己在获取微信小程序录音重命名时如果是.silk，别疑惑了，linux环境文件后辍名是没有实际意义的，感兴趣自己网搜，to小白）转码成33921FF3774A773BB193B6FD4AD7C33E.mp3。
没有silk源文件？别急，我准备了个silk_v3录音文件，附带着转出来的mp3一起放在我服务器上了，需要的可以去下载（右击后另存即可，mp3可以在线播放，silk播放不了，直接单击会“403”）：
微信小程序原始录音文件：sample.silk
converter.sh脚本转码后的文件：sample.mp3
附上我转码的操作过程：
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder# ll
total 48
drwxr-xr-x 5 root root 4096 Sep 18 10:43 ./
drwxr-xr-x 3 root root 4096 Sep 18 10:11 ../
-rw-r--r-- 1 root root 4131 Sep 18 10:11 converter_beta.sh
-rw-r--r-- 1 root root 3639 Sep 18 10:11 converter.sh
drwxr-xr-x 8 root root 4096 Sep 18 10:11 .git/
-rw-r--r-- 1 root root 1076 Sep 18 10:11 LICENSE
-rw-r--r-- 1 root root 3582 Sep 18 10:11 README.md
-rw-r----- 1 root root 6188 Sep 18 10:43 sample.silk
drwxr-xr-x 5 root root 4096 Sep 18 10:26 silk/
drwxr-xr-x 3 root root 4096 Sep 18 10:11 windows/
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder#
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder#
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder# sh converter.sh sample.silk mp3
-e [OK] Convert sample.silk To sample.mp3 Finish.
root@alijod:/home/jod/wechat_app/download/silk-v3-decoder# ll
total 68
drwxr-xr-x 5 root root 4096 Sep 18 10:43 ./
drwxr-xr-x 3 root root 4096 Sep 18 10:11 ../
-rw-r--r-- 1 root root 4131 Sep 18 10:11 converter_beta.sh
-rw-r--r-- 1 root root 3639 Sep 18 10:11 converter.sh
drwxr-xr-x 8 root root 4096 Sep 18 10:11 .git/
-rw-r--r-- 1 root root 1076 Sep 18 10:11 LICENSE
-rw-r--r-- 1 root root 3582 Sep 18 10:11 README.md
-rw-r--r-- 1 root root 17709 Sep 18 10:43 sample.mp3
-rw-r----- 1 root root 6188 Sep 18 10:43 sample.silk
drwxr-xr-x 5 root root 4096 Sep 18 10:26 silk/
drwxr-xr-x 3 root root 4096 Sep 18 10:11 windows/
关于converter.sh脚本
vim打开converter.sh脚本，显示一下行号（vim中输入":set nu"后回车，我为小白操心不少），想要简单使用，其实只需要关注最后面这一段，如果想要深入研究，最好是把脚本完整过程搞懂。
61
62 $cur_dir/silk/decoder "$1" "$1.pcm" > /dev/null 2>&1
63 if [ ! -f "$1.pcm" ]; then
64 ffmpeg -y -i "$1" "${1%.*}.$2" > /dev/null 2>&1 &
65 ffmpeg_pid=$!
66 while kill -0 "$ffmpeg_pid"; do sleep 1; done > /dev/null 2>&1
67 [ -f "${1%.*}.$2" ]&&echo -e "${GREEN}[OK]${RESET} Convert $1 to ${1%.*}.$2 success, ${YELLOW}but not a silk v3 encoded file.${RESET}"&&exit
68 echo -e "${YELLOW}[Warning]${RESET} Convert $1 false, maybe not a silk v3 encoded file."&&exit
69 fi
70 ffmpeg -y -f s16le -ar 24000 -ac 1 -i "$1.pcm" "${1%.*}.$2" > /dev/null 2>&1
71 ffmpeg_pid=$!
72 while kill -0 "$ffmpeg_pid"; do sleep 1; done > /dev/null 2>&1
73 rm "$1.pcm"
74 [ ! -f "${1%.*}.$2" ]&&echo -e "${YELLOW}[Warning]${RESET} Convert $1 false, maybe ffmpeg no format handler for $2."&&exit
75 echo -e "${GREEN}[OK]${RESET} Convert $1 To ${1%.*}.$2 Finish."
76 exit
其实关键的两行也就是Line 62和Line 70。第62行就是调用我们上文编出来的decoder解码silk_v3文件，第70行是将silk_v3文件解码出来的raw data数据转成相应格式。
这里额外说明一下我跟这两行的几个插曲：
插曲一：speex压缩
我做这个SILK语音识别服务的起初目的是让我的“遥知之”支持语音输入功能，“遥知之”上用的OLAMI接口也有语音识别，而且研究了一下他们的JAVA SDK和在线文档，从在线文档（OLAMI 文档中心->语音识别接口文档->“支持的音频格式”）上看是支持wav格式，另外支持speex压缩。
wav格式文件是很占空间的（相当于PCM原始采样数据未经压缩的，加了一个文件头），如下图所示（可能实际speex压缩的效果会更好一点）：
如果将数据通过speex压缩，就只需要脚本中的第62行，就不用依赖ffmpeg去转码也可以直接省流量上传到OLAMI语音识别服务器了。这里就是为什么我前面说到，ffmpeg并不是此服务搭建中必备之原因。
如果通过speex会大大降低传输效率，于是期间我有花蛮长时间在研究如何将pcm数据转成speex的，比如怎么调用c代码实现的speex的编码（java下通过JNI调用speex的encoder，研究未果，放弃了这个方案），后来又找了jspeex（java版的speex codec）等等，后面因有另一个省事方案，这里用jspeex的方案就中断未深入研究了，其实应该是行的通的。
在QQ群（群号：656580961）里提了一下，热心的群主“黄眉毛”说olami java sdk里默认是将wav或pcm通过speex压缩传输的，这样一来，我只需要将wav或pcm对接olami java sdk就可以实现“省流量”传输到olami语音识别服务器了。这就是我最终采用的省事方案。
插曲二：采样率不适配
发现通过微信小程序端录音出来的silk v3文件，经过kn007的converter.sh转出来的wav文件，再送到olami语音识别接口，发现识别效果很糟，把wav文件拿出来听听，似乎也正常。
这时候想起来脚本中PCM转wav是按24K转的，转出来的WAV应该是24K的，而olami语音识别端支持的是16K（讯飞还支持8K的），可能是这个采样率不一致导致的识别率差，网搜了一下，还真有前人碰到过相同问题，参见此文文中提到的“误打误撞”那一段：从微信中提取语音文件，并转换成文字的全自动化解决方案 ，他的误打误撞的原理应该是小程序录音就是双通道12K的，然后ffmpeg额外指定一下参数将双通道12K的数据流转成16K的wav。
这下好了，离不开ffmpeg了，需要它帮着转采样率呀，speex压缩又不负责解决采样率转换的问题。
重要的事说三遍：在原始脚本的基础上，修改一下第70行：
重要的事说三遍：在原始脚本的基础上，修改一下第70行：
重要的事说三遍：在原始脚本的基础上，修改一下第70行：
ffmpeg -y -f s16le -ar 12000 -ac 2 -i "$1.pcm" -f wav -ar 16000 -ac 1 "${1%.*}.$2" > /dev/null 2>&1
插曲三：假silk真webm/base64格式
在使用微信小程序开发工具模拟手机做调试时，录音文件不能被silk和ffmpeg转，vim打开一看，头部是“data:audio/webm;base64,”。
由此引伸出一个现象：微信小程序的录音不全是silk v3格式，其中还有刚刚提到的webm/base64的，好像还有AMR格式的，听kn007大神说还有混淆格式，也就是那种一个文件含多种格式混合的，也不知道为什么会有这种情况。
关于webm/base64格式，kn007的回复是，base64 decoder然后直接ffmpeg转，于是我分两步实现：
第一步：用java代码做base64 decoder，再将文件写到 xxx.webm文件中，这部分简单，可参考微信小程序 录音文件格式silk 坑那样做即可。
第二步：再调用ffmpeg命令直接转码成wav，主要是调用一下下述转码命令转成16K的WAV：
ffmpeg -i "$1" -f wav -ar 16000 -ac 1 "${1%.*}.$2" > /dev/null 2>&1
其中调用ffmpeg命令容易出现失败，原因之一可能会是文件读写权限不足，原因之二可能会是调用ffmpeg后，需要等ffmpeg进程消失，即转码任务完成，才退出。 觉得我个人碰到的问题应该是原因之二导致的，因为我确实是将/usr/bin/ffmpeg设置成了777权限，还是会转失败，将调ffmpeg命令的部分在脚本中实现，并且加上kn007大神converter.sh中那样的等待ffmpeg完成的部分，就搞定了。
为了让脚本更通用，我将上述解决采样率不匹配的问题，修改后的脚本基础上，又添加了对webm格式的单独ffmpeg转码支持（通过判断传入第1个参数的后辍是否是webm来判断是不是直接ffmpeg转码然后exit，简单粗暴并且高效！）大概在脚本的上方添加下面这一段：
SOURCE_FILE_SUFFIX=${1##*.}
echo -e "XXXX SOURCE_FILE_SUFFIX:${SOURCE_FILE_SUFFIX}"
if [ "${SOURCE_FILE_SUFFIX}" = "webm" ]; then
## if webm, ffmpeg it directly. webm/base64 had been base64 decoder on my java server already.
echo -e "begin to ffmpeg $2 from webm now..."
ffmpeg -i "$1" -f wav -ar 16000 -ac 1 "${1%.*}.$2" > /dev/null 2>&1
##ffmpeg -i "$1" -f wav "${1%.*}.$2" > /dev/null 2>&1
ffmpeg_pid=$!
while kill -0 "$ffmpeg_pid"; do sleep 1; done > /dev/null 2>&1
[ ! -f "${1%.*}.$2" ]&&echo -e "${YELLOW}[Warning]${RESET} Convert $1 false, maybe ffmpeg no format handler for $2."&&exit
echo -e "${GREEN}[OK]${RESET} Convert $1 To ${1%.*}.$2 Finish."
exit
else
echo -e "begin to silk decoder flow..."
## if not webm, follows default silk decoder road.
fi
至此，converter_cxz.sh修改结束。
搭建web服务及主要代码说明
前面相当于评估可行性，基本验证了从小程序录音文件 xx.silk 到语音识别API能认的数据或文件格式，这条路走通了，接下来就是堆JAVA代码实现细节部分了。
创建sprinMVC工程
大概的工程目录结构如下：
com.happycxz.controller中有两个controller：
第1个，AdditionalController.java是用来查服务器状态和在线更新数据用的，可忽略。
第2个，OlamiController.java是对接微信小程序silk文件上传API接口的，代码如下：
package com.happycxz.controller;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.security.NoSuchAlgorithmException;
import java.util.Map;
import javax.servlet.ServletException;
import javax.servlet.http.HttpServletRequest;
import javax.servlet.http.HttpServletResponse;
import javax.servlet.http.Part;
import org.springframework.stereotype.Controller;
import org.springframework.util.StringUtils;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.ResponseBody;
import com.happycxz.olami.AsrAdditionInfo;
import com.happycxz.olami.OlamiEntityFactory;
import com.happycxz.olami.SdkEntity;
import com.happycxz.utils.Configuration;
import com.happycxz.utils.Util;
import com.sun.org.apache.xml.internal.security.utils.Base64;
/**
* olami与微信小程序 接口相关对接
* @author Jod
*/
@Controller
@RequestMapping("/olami")
public class OlamiController {
//保存linux shell命令字符串
private static final String SHELL_CMD = Configuration.getInstance().getValue("local.shell.cmd", "sh /YOUR_PATH/silk-v3-decoder/converter_cxz.sh %s wav");
//保存silk和wav文件的目录，放在web目录、或一个指定的绝对目录下
private static final String localFilePath = Configuration.getInstance().getValue("local.file.path", "/YOUR/LOCAL/VOICE/PATH/");;
static {
Util.p("OlamiController base SHELL_CMD:" + SHELL_CMD);
Util.p("OlamiController base localFilePath:" + localFilePath);
}
@RequestMapping(value="/asr", produces="plain/text; charset=UTF-8")
public @ResponseBody String asrUploadFile(HttpServletRequest request, HttpServletResponse response, @RequestParam Map<String, Object> p)
throws ServletException, IOException {
AsrAdditionInfo additionInfo = new AsrAdditionInfo(p);
if (additionInfo.getErrCode() != 0) {
//参数不合法，或者appKey没有在支持列表中备录
return Util.JsonResult(String.valueOf(additionInfo.getErrCode()), additionInfo.getErrMsg());
}
String localPathToday = localFilePath + Util.getDateStr() + File.separator;
// 如果文件存放路径不存在，则mkdir一个
File fileSaveDir = new File(localPathToday);
if (!fileSaveDir.exists()) {
fileSaveDir.mkdirs();
}
int count = 1;
String asrResult = "";
for (Part part : request.getParts()) {
String fileName_origin = extractFileName(part);
//这里必须要用原始文件名是否为空来判断，因为part列表是所有数据，前三个被formdata占了，对应文件名其实是空
if(!StringUtils.isEmpty(fileName_origin)) {
String fileName = additionInfo.getVoiceFileName();
String silkFile = localPathToday + fileName;
Util.p("silkFile[" + count + "]:" + silkFile);
part.write(silkFile);
if (webmBase64Decoder2Wav(silkFile)) {
// support webm/base64 in webmBase64Decoder2Wav();
// is webm base64 format, and xxxx.webm file is temporary created, xxxx.wav was last be converted.
} else {
// run script to convert silk(v3) to wav
Util.RunShell2Wav(SHELL_CMD, silkFile);
}
// get wave file path and name, prepare for olami asr
String waveFile = DotSilk2DotOther(silkFile, "wav");
Util.p("OlamiController.asrUploadFile() waveFile:" + waveFile);
if (new File(waveFile).exists() == false) {
Util.w("OlamiController.asrUploadFile() wav file[" + waveFile + "] not exist!", null);
return Util.JsonResult("80", "convert silk to wav failed, NOW NOT SUPPORT WXAPP DEVELOP RECORD because it is not silk_v3 format. anyother reason please tell QQ:404499164.");
}
try {
SdkEntity entity = OlamiEntityFactory.createEntity(additionInfo.getAppKey(), additionInfo.getAppSecret(), additionInfo.getUserId());
asrResult = entity.getSpeechResult(waveFile);
Util.p("OlamiController.asrUploadFile() asrResult:" + asrResult);
} catch (NoSuchAlgorithmException | InterruptedException e) {
Util.w("OlamiController.asrUploadFile() asr NoSuchAlgorithmException or InterruptedException", e);
} catch (FileNotFoundException e) {
Util.w("OlamiController.asrUploadFile() asr FileNotFoundException", e);
return Util.JsonResult("80", "convert silk to wav failed, NOW NOT SUPPORT WXAPP DEVELOP RECORD because it is not silk_v3 format. anyother reason please tell QQ:404499164.");
} catch (Exception e) {
Util.w("OlamiController.asrUploadFile() asr Exception", e);
}
}
count++;
}
//防止数据传递乱码
//response.setContentType("application/json;charset=UTF-8");
return Util.JsonResult("0", "olami asr success!", asrResult);
}
/**
* 将 xxxxx.silk 文件名转 xxxx.wav
* @param silkName
* @param otherSubFix
* @return
*/
private static String DotSilk2DotOther(String silkName, String otherSubFix) {
int removeByte = 4;
if (silkName.endsWith("silk")) {
removeByte = 4;
} else if (silkName.endsWith("slk")) {
removeByte = 3;
}
return silkName.substring(0, silkName.length()-removeByte) + otherSubFix;
}
/**
* 从content-disposition头中获取源文件名
*
* content-disposition头的格式如下：
* form-data; name="dataFile"; filename="PHOTO.JPG"
*
* @param part
* @return
*/
@SuppressWarnings("unused")
private String extractFileName(Part part) {
String contentDisp = part.getHeader("content-disposition");
String[] items = contentDisp.split(";");
for (String s : items) {
if (s.trim().startsWith("filename")) {
return s.substring(s.indexOf("=") + 2, s.length()-1);
}
}
return "";
}
/**
* 通过filePath内容判断是否是webm/base64格式，如果是，先decode base64后，再直接ffmpeg转wav，
* 如果不是，返回false丢给外层继续当作silk v3去解
* @param filePath
* @return
*/
public static boolean webmBase64Decoder2Wav(String filePath) {
boolean isWebm = false;
try {
String encoding = "utf-8";
File file = new File(filePath);
// 判断文件是否存在
if ((file.isFile() == false) || (file.exists() == false)) {
Util.w("webmBase64Decoder2Wav() no file[" + filePath + "] exist.", null);
}
StringBuilder lineTxt = new StringBuilder();
String line = null;
try (
InputStreamReader read = new InputStreamReader(new FileInputStream(file), encoding);
BufferedReader bufferedReader = new BufferedReader(read);) {
while ((line = bufferedReader.readLine()) != null) {
lineTxt.append(line);
}
read.close();
} catch (Exception e) {
Util.w("webmBase64Decoder2Wav() exception0:", e);
return isWebm;
}
String oldData = lineTxt.toString();
if (oldData.startsWith("data:audio/webm;base64,") == false) {
Util.d("webmBase64Decoder2Wav() file[" + filePath + "] is not webm, or already decoded." );
return isWebm;
}
isWebm = true;
oldData = oldData.replace("data:audio/webm;base64,", "");
String webmFileName = DotSilk2DotOther(filePath, "webm");
try {
File webmFile = new File(webmFileName);
byte[] bt = Base64.decode(oldData);
FileOutputStream in = new FileOutputStream(webmFile);
try {
in.write(bt, 0, bt.length);
in.close();
} catch (IOException e) {
Util.w("webmBase64Decoder2Wav() exception1:", e);
return isWebm;
}
} catch (FileNotFoundException e) {
Util.w("webmBase64Decoder2Wav() exception2:", e);
return isWebm;
}
// run cmd to convert webm to wav
Util.RunShell2Wav(SHELL_CMD, webmFileName);
} catch (Exception e) {
Util.w("webmBase64Decoder2Wav() exception3:", e);
return isWebm;
}
return isWebm;
}
public static void main(String[] args) {
webmBase64Decoder2Wav("D:\secureCRT_RZSZ\1505716415538_f7d98081-4d21-3b40-a7df-e56c046a784d_b4118cd178064b45b7c8f1242bcde31f.silk");
}
}
利用springMVC的注解，很方便的实现API功能，主要看这个asrUploadFile方法，参数包括request和response之外，还有一个Map结构的p，这个p是用来接收formdata的，即上传录音文件时附带的信息。
我这里强制了必须上传appKey、appSecret以及userId，因为我是直接对接的olami开放平台的接口。
大概的流程是（懒的画流程图了，直接看上面代码，很容易看明白的）：
- 接收p中上传的appKey、appSecret以及userId这三个必选参数
- 接收request中的Parts，获取原始silk格式文件及对应的上传文件名
这里面其实是包括file和formdata的，这里还掉进一个坑过，想着不需要调用“extractFileName”来拿原始文件名，直接收以请求，随机生成一个文件名保存了得了，事实是，通过“extractFileName”拿文件名，当文件名为""或null时，这时候是formdata，不是文件，强制保存成文件肯定就出问题了（调试时发现有些录音文件里只有一个很短的数字字母组成的字符串，就是这个原因）。 - 将文件另取个名字保存到服务器指定目录
为什么要另存文件名：微信小程序上传的录音文件统一是wx-file.silk，不像小程序开发工具上录音那样文件名随机生成。 - 这里有个额外判断第3步中保存的xxx.silk是不是webm/base64格式的，如果是，就直接base64 decoder后保存文件 xxx.webm，然后调用converter_cxz.sh将webm格式的文件转码成xxx.wav的，走完流程或异常都跳过下一步，直接到第6步。如果不是webm/base64格式的，返回false，继续走下一步。
- 调用silk_v3_decoder中的脚本（这里是上文提到的修改之后的脚本，我给重命名converter_cxz.sh了）转xxx.wav
- 通过原来的silk文件全路径，计算出wav文件全路径
- 通过上一步得到的wav文件全路径，以及appKey、appSecret以及userId这三个参数，生成一个SdkEntity实体，调用getSpeechResult接口获取语音识别和语义处理的结果
- 组织输出结果返回。
com.happycxz.olami中有四个文件：
第1个，AsrAdditionInfo.java是用来检查https请求中formdata必选的三个参数是否都上传了，是否合法。
这里我额外做了个限制，除了在olami平台上申请的appKey和appSecret之外，appKey还要额外告知我，我在支持列表中加上才可以用，避免被攻击了大家都没法用，没办法，小窝带宽有限。
第2个，OlamiEntityFactory.java是做一个SdkEntity的缓存，如果formdata中上传的userId不一样，这个缓存就没用了:(
第3个，OlamiKeyManager.java是配合第一个文件做appKey限制管理的。
第4个，SdkEntity.java是对接olami接口的部分，主要是从olami java sdk sample代码中拷出来改改的。代码如下：
package com.happycxz.olami;
import java.io.IOException;
import java.security.NoSuchAlgorithmException;
import com.google.gson.Gson;
import com.happycxz.utils.Util;
import ai.olami.cloudService.APIConfiguration;
import ai.olami.cloudService.APIResponse;
import ai.olami.cloudService.CookieSet;
import ai.olami.cloudService.SpeechRecognizer;
import ai.olami.cloudService.SpeechResult;
import ai.olami.nli.NLIResult;
import ai.olami.util.GsonFactory;
public class SdkEntity {
//indicate simplified input
private static int localizeOption = APIConfiguration.LOCALIZE_OPTION_SIMPLIFIED_CHINESE;
// * Replace the audio type you want to analyze with this variable.
private static int audioType = SpeechRecognizer.AUDIO_TYPE_PCM_WAVE;
//private static int audioType = SpeechRecognizer.AUDIO_TYPE_PCM_RAW;
// * Replace FALSE with this variable if your test file is not final audio.
private static boolean isTheLastAudio = true;
private APIConfiguration config = null;
//configure text recognizer
SpeechRecognizer recoginzer = null;
// * Prepare to send audio by a new task identifier.
//CookieSet cookie = new CookieSet();
// json string for print pretty
private static Gson jsonDump = GsonFactory.getDebugGson(false);
// normal json string
private static Gson mGson = GsonFactory.getNormalGson();
public SdkEntity(String appKey, String appSecret, String userId) {
Util.d("new SdkEntity() start. appKey:" + appKey + ", appSecret: " + appSecret + ", userId: " + userId);
try {
config = new APIConfiguration(appKey, appSecret, localizeOption);
recoginzer = new SpeechRecognizer(config);
recoginzer.setEndUserIdentifier(userId);
recoginzer.setTimeout(10000);
recoginzer.setAudioType(audioType);
} catch (Exception e) {
Util.w("new SdkEntity() exception", e);
}
Util.d("new SdkEntity() done");
}
public String getSpeechResult(String inputFilePath) throws NoSuchAlgorithmException, IOException, InterruptedException {
String lastResult = "";
Util.d("SdkEntity.getSpeechResult() inputFilePath:" + inputFilePath);
CookieSet cookie = new CookieSet();
// * Start sending audio.
APIResponse response = recoginzer.uploadAudio(cookie, inputFilePath, audioType, isTheLastAudio);
//
// You can also send audio data from a buffer (in bytes).
//
// For Example :
// ===================================================================
// byte[] audioBuffer = Files.readAllBytes(Paths.get(inputFilePath));
// APIResponse response = recoginzer.uploadAudio(cookie, audioBuffer, audioType, isTheLastAudio);
// ===================================================================
//
Util.d("
Original Response : " + response.toString());
Util.d("
---------- dump ----------
");
Util.d(jsonDump.toJson(response));
Util.d("
--------------------------
");
//四种结果，full最完整，seg, nli, asr只包括那一部分
String full = "", seg = "", nli = "", asr = "";
// Check request status.
if (response.ok()) {
// Now we can try to get recognition result.
Util.d("
[Get Speech Result] =====================");
while (true) {
Thread.sleep(500);
// * Get result by the task identifier you used for audio upload.
Util.d("
Request CookieSet[" + cookie.getUniqueID() + "] speech result...");
response = recoginzer.requestRecognitionWithAll(cookie);
Util.d("
Original Response : " + response.toString());
Util.d("
---------- dump ----------
");
Util.d(jsonDump.toJson(response));
Util.d("
--------------------------
");
// Check request status.
if (response.ok() && response.hasData()) {
full = mGson.toJson(response.getData());
// * Check to see if the recognition has been completed.
SpeechResult sttResult = response.getData().getSpeechResult();
if (sttResult.complete()) {
// * Get speech-to-text result
Util.p("* STT Result : " + sttResult.getResult());
asr = mGson.toJson(sttResult);
// * Check to see if the recognition has be
// Because we used requestRecognitionWithAll()
// So we should be able to get more results.
// --- Like the Word Segmentation.
if (response.getData().hasWordSegmentation()) {
String[] ws = response.getData().getWordSegmentation();
for (int i = 0; i < ws.length; i++) {
Util.d("* Word[" + i + "] " + ws[i]);
}
seg = response.getData().getWordSegmentationSingleString();
}
// --- Or the NLI results.
if (response.getData().hasNLIResults()) {
NLIResult[] nliResults = response.getData().getNLIResults();
nli = mGson.toJson(nliResults);
}
// * Done.
break;
} else {
// The recognition is still in progress.
// But we can still get immediate recognition results.
Util.d("* STT Result [Not yet completed] ");
Util.d(" --> " + sttResult.getResult());
}
}
}
} else {
// Error
Util.w("* Error! Code : " + response.getErrorCode(), null);
Util.w(response.getErrorMessage(), null);
}
lastResult = full;
Util.d("
===========================================
");
return lastResult;
}
public static void main(String[] args) throws NoSuchAlgorithmException, IOException, InterruptedException {
Util.p("SdkEntity.main() start...");
int argLen = args.length;
Util.d("SdkEntity.main() args.length[" + argLen + "]:");
for (String arg : args) {
Util.d("SpeexPcm.main() arg[" + arg + "]");
}
new SdkEntity("b4118cd178064b45b7c8f1242bcde31f", "7908028332a64e47b8336d71ad3ce9ab", "abdd").getSpeechResult(args[0]);
Util.p("SdkEntity.main() end...");
}
}
com.happycxz.olami中有两个文件，是使用到的一些util、读配置文件、系统日志等部分。
另外WEB-INFO/lib中加载olami的java sdk，如图：
另外，额外附上一张olami-java-client-1.0.1-source.jar中关于默认采用speex压缩的源码部分：
怎么用
接口：
https://api.happycxz.com/test/silk2asr/olami/asr
formdata必选参数：
| 参数 | 是否必选 | 说明 |
|---|---|---|
| appKey | 是 | 从olami.cn上申请的key |
| appSecret | 是 | 从olami.cn上申请的secret |
| userId | 是 | 用户的唯一标识，比如手机号，或唯一性的ID，或IMEI号之类的 |
返回数据res.data就是olami开放平台返回结果完全一致，未经修改，具体参考他们在线文档：
olami开放平台的API接口返回数据格式
大概的是 seg字段是语音识别分段结果，asr是语音识别结果，nli是语义或语义处理的结果。小程序的开发工具上没法DEBUG，就没办法截一段例子说明了。
调用案例：“遥知之”智能小秘
欢迎扫码试用。这一版支持语音识别，博客还没来得及更新，稍后我会把相关代码在这个文章“我的微信小程序支持语音识别啦！“遥知之”不再装聋”中分享出来，主要是分享一下微信小程序里如何上传SILK录音部分以及如何解析olami返回的语音识别和语义处理结果的代码。
最后闲话
本文欢迎转载，原文链接：http://blog.csdn.net/happycxz/article/details/78016299
服务端工程的代码分享：
本文所有源码对应码云链接：https://gitee.com/happycxz/silk2asr
本文所有源码对应github链接：https://github.com/happycxz/silk2asr
如果有不明白的都可以在本博客文章后面留言，也欢迎大家指正文中的理解或文字描述错误或不清楚的部分，我将及时更正，避免带人跳坑。
需要用这个接口的，appKey可以在这里留言或私信告诉我，我帮你加进我的白名单你才可以用。