摘要：如果你有疑問，或許可以參考創建密鑰使用谷歌將語音轉換為文字。將其取出，得到字典。

在之前發布的使用谷歌Cloud Speech API將語音轉換為文字一文中，我們實現了在控制臺使用curl發送post請求，得到語音轉文字的結果；而在Python中使用谷歌Cloud Speech API將語音轉換為文字一文中，我們實現了安裝Cloud Speech API客戶端庫，通過調用庫函數得到語音轉文字的結果。

如果你嘗試過這兩種方法，就會發現其實后者得到結果需要的時間要長一些（筆者使用這兩種方法得到結果的耗時分別大約是5秒、7秒）。那么，有沒有辦法在python中像第一種方法那樣，使用curl命令發送post請求呢。當然是可行的，所以今天我們將介紹在Python中使用Cloud Speech API將語音轉換為文字的另一種方案，另外這次我們將把音頻文件編碼為base64嵌入到json請求文件中，省去了上傳聲音文件到Cloud Storage的步驟。

相關說明之類的在上面兩篇文章里已經寫了很多，這邊就直接貼代碼。
*使用python3

import json
import urllib.request
import base64

# ①
api_url = "https://speech.googleapis.com/v1beta1/speech:syncrecognize?key=你的API密鑰"
audio_file = open("/home/pi/chat/test-speech/output.wav", "rb")
audio_b64 = base64.b64encode(audio_file.read())
audio_b64str = audio_b64.decode()    # ②
# print(type(audio_b64))
# print(type(audio_b64str))
audio_file.close()

# ③
voice = {
  "config":
  {
    #"encoding": "WAV",
    "languageCode": "cmn-Hans-CN"
  },

  "audio":
  {
    "content": audio_b64str
  }
}
# 將字典格式的voice編碼為utf8
voice = json.dumps(voice).encode("utf8")

req = urllib.request.Request(api_url, data=voice, headers={"content-type": "application/json"})
response = urllib.request.urlopen(req)
response_str = response.read().decode("utf8")
# ④
# print(response_str)
response_dic = json.loads(response_str)
transcript = response_dic["results"][0]["alternatives"][0]["transcript"]
confidence = response_dic["results"][0]["alternatives"][0]["confidence"]
print(transcript)
print(confidence)

幾點說明：

注釋①：請求API的鏈接，請替換你的API密鑰 。如果你有疑問，或許可以參考 創建API密鑰 | 使用谷歌Cloud Speech API將語音轉換為文字 。
audio_file 路徑替換為你的本地聲音文件路徑。

注釋②：這次上傳音頻的方式是，將聲音文件編碼為base64，把對應的整個字符串放進json請求中。如果你執行 print(type(audio_b64)) 就會發現編碼后的audio_b64是 bytes 類型，所以還需要做一次decode()，轉成字符串。

注釋③：先以字典格式保存json請求內容，代表聲音文件的字符串就在這里放入。

注釋④：API返回的結果保存在 response_str ，如果你直接運行 print(response_str) 就會發現這個字符串可以看做一個有很多“層”的字典，要提取出識別結果，需要搞清楚這個字典到底是怎么組成的：

第1層：花括號{}說明字符串 response_str 在執行 json.loads 后變成一個"字典"。得到"字典" response_dic 。

第2層：字典中只有一組鍵-值， response_dic["results"] 取出唯一的鍵"results"對應的值。觀察這個值，發現中括號[]，說明這個值的類型是”列表“。

第3層：觀察列表 response_dic["results"] ，發現列表中只有一項數據，但這項數據又是"字典"類型。將其取出，得到"字典" response_dic["results"][0] 。

第4層：字典中又是只有一組鍵-值， response_dic["results"][0]["alternatives"] 取出唯一的鍵"alternatives"對應的值。觀察這個值，[]說明我們得到的結果又是一個"列表"。

第5層：觀察列表 response_dic["results"][0]["alternatives"] ，列表中只有一項數據， response_dic["results"][0]["alternatives"][0] 再將這唯一一項數據取出，發現得到的是一個"字典"，而這次得到的字典中有兩組鍵-值，分別取出就是我們要的結果和置信度了。

transcript = response_dic["results"][0]["alternatives"][0]["transcript"]
confidence = response_dic["results"][0]["alternatives"][0]["confidence"]

小結：

今天介紹的這種方案，獲取結果需要的時間比用API客戶端庫要快一些，另外應用了把本地語音編碼后放入json請求的方式，也能方便后期和錄音程序結合在一起使用。但稍有一點缺點是API密鑰直接暴露在代碼中，對實際應用可能會有一些影響。

下一步的目標是和錄音功能結合起來，實現自動識別當前錄制的語音。

感謝你閱讀文章！