ESP32接入百度智能云语音识别实现语音识别

一、概述

使用ESP32接入百度智能云实现在线语音识别。实现最基本的语音识别功能还是很简单的，但还是遇到了一些小问题，在这记录一下。

使用了max9814麦克风模块用做语音输入，一个按键来控制数据的采集和上传。

二、步骤概括

(1) 在百度云控制端选择“语音识别”并创建应用获取API Key和Secret Key

(2) 根据创建应用生成的API Key和Secret Key来获取token

(3) 采集音频数据，将数据打包成规定的格式，POST发送到请求API

(4) 接收返回的数据

三、具体实现

一、创建语音识别应用

登录百度云账号，选择语音识别，创建应用。

二、根据创建应用生成的API Key和Secret Key来获取token

创建好应用，点管理应用，会有API Key和Secret Key，如下图

有了API Key和Secret Key就可以得到token，下面附上ESP32进行get请求得到token的代码

void gain_token(void) //获取token{int httpCode;//注意，要把下面网址中的your_apikey和your_secretkey替换成自己的API Key和Secret Keyhttp_client.begin("/oauth/2.0/token?grant_type=client_credentials&client_id=your_apikey&client_secret=your_secretkey");httpCode = http_client.GET();if(httpCode > 0) {if(httpCode == HTTP_CODE_OK) {String payload = http_client.getString();Serial.println(payload);}}else {Serial.printf("[HTTP] GET... failed, error: %s\n", http_client.errorToString(httpCode).c_str());}http_client.end();}

请求成功会返回如下数据

{"refresh_token": "25.b55fe1d287227ca97aab219bb249b8ab.315360000.1798284651.282335-8574074","expires_in": 2592000,"scope": "public wise_adapt","session_key": "9mzdDZXu3dENdFZQurfg0Vz8slgSgvvOAUebNFzyzcpQ5EnbxbF+hfG9DQkpUVQdh4p6HbQcAiz5RmuBAja1JJGgIdJI","access_token": "24.6c5e1ff107f0e8bcef8c46d3424a0e78.2592000.1485516651.282335-8574074","session_secret": "dfac94a3489fe9fca7c3221cbf7525ff"}

access_token对应的值就是可用的token了，每次申请的token有效期为30天，过期需要重新申请，可以申请多个。不用每次都调用获取token的程序，申请一个可以用30天，定时更新就可以吧。

三、采集数据，POST发送到请求API

数据上传 POST 方式有 2 种：JSON 格式和RAW 格式。

这里介绍使用使用JSON格式上传的方式，下图为JSON格式上传的一些必要的参数说明

图中对数据类型和内容说的很明确了，只需要按照这个格式打包好数据然后发送就行，下面是ESP32的具体实现代码。

if(digitalRead(key)==0) //按键按下{Serial.printf("Start recognition\r\n\r\n");digitalWrite(led,HIGH);adc_start_flag=1;//数据开始采集timerStart(timer);while(!adc_complete_flag) //等待数据采集完成{ets_delay_us(10);}timerStop(timer);adc_complete_flag=0; //采集完成，清标志digitalWrite(led,LOW);memset(data_json,'\0',strlen(data_json)); //将数组清空strcat(data_json,"{");strcat(data_json,"\"format\":\"pcm\",");strcat(data_json,"\"rate\":8000,"); //采样率如果采样率改变了，记得修改该值，只有16000、8000两个固定采样率strcat(data_json,"\"dev_pid\":1537,");//中文普通话strcat(data_json,"\"channel\":1,"); //单声道strcat(data_json,"\"cuid\":\"123456\","); //识别码随便打几个字符，但最好唯一strcat(data_json,"\"token\":\"XXXXXXXXXXXXXXXXXX\","); //token这里需要修改成自己申请到的tokenstrcat(data_json,"\"len\":32000,"); //数据长度如果传输的数据长度改变了，记得修改该值，该值是ADC采集的数据字节数，不是base64编码后的长度strcat(data_json,"\"speech\":\"");strcat(data_json,base64::encode((uint8_t *)adc_data,sizeof(adc_data)).c_str());//base64编码数据这里使用的base64编码的库，在base.h头文件中strcat(data_json,"\"");strcat(data_json,"}");int httpCode;http_client.begin("/server_api");//请求APIhttp_client.addHeader("Content-Type","application/json");//设置固定头部：Content-Type:application/jsonhttpCode = http_client.POST(data_json);//POST请求if(httpCode > 0) {if(httpCode == HTTP_CODE_OK) {String payload = http_client.getString();//接收数据Serial.println(payload);}}else {Serial.printf("[HTTP] GET... failed, error: %s\n", http_client.errorToString(httpCode).c_str());}http_client.end();while (!digitalRead(key));Serial.printf("Recognition complete\r\n");}

上面代码是将数据拼接成要求的JSON的格式并通过POST的方式发送到请求API，并接收打印返回的数据消息。使用的定时器设置成8K频率定时采集音频数据，上面代码中并未展示，后面会附上完整代码。

ESP32是有JSON库的，在 “cJSON.h” 头文件中，但是我没有用，因为我发现数据太长时不知道为啥会出现莫名其妙的错误，也没深究，就使用函数strcat()将数据拼接成规定的格式，好使，就是写的时候麻烦一些，但问题不大。

POST发送数据有一个固定头部：Content-Type:application/json，POST前需要设置一下。

四、接收数据

在上一步的代码中实现了接收数据，这里列一下返回的数据。

{"corpus_no":"6990616182318679817","err_msg":"success.","err_no":0,"result":["天气真好。"],"sn":"440339165021627629665"}

{"corpus_no":"6990616203881655850","err_msg":"success.","err_no":0,"result":["中午吃什么？"],"sn":"204332180621627629670"}

{"corpus_no":"6990616272746191297","err_msg":"success.","err_no":0,"result":["开灯。"],"sn":"657868059871627629686"}

数据发送成功则会返回正确的识别数据，当然声音信号不好时返回的语音识别也会不准确。

谨记，返回的语音识别结果是UTF-8 方式编码，开始我还纳闷为啥返回的是繁体字似的，我选的是中文普通话呀，然后尝试改改这，改改那也不好使，小郁闷。因为是晚上了，后来我都躺床上了，突然想到返回的语音结果是中文编码，错乱那不就是编码方式不同的问题吗，又从床上爬起来开了电脑，改用UTF-8编码方式，尝试了一下，好了！