用 Python 实现语音识别(把语音转文字)

用 Python 实现语音识别（把语音转文字）和语音合成（把文字转语音）的功能，提供一套简单、易用且不需要复杂配置的完整实现方案。

实现思路

我会使用两个成熟且易用的 Python 库：

• SpeechRecognition：用于语音识别，支持麦克风实时录音识别和音频文件识别，底层对接 Google 语音识别接口（无需翻墙也能基础使用）。
• pyttsx3：用于离线语音合成，无需联网，直接将文字转为语音播放，支持调整语速、音量、音色。

第一步：安装依赖库

首先打开终端/命令行，执行以下命令安装所需库（注意：Windows/macOS/Linux 通用，Linux 需额外安装依赖）：

# 安装核心库
pip install SpeechRecognition pyttsx3

# Linux 系统需额外安装（音频驱动依赖）
# sudo apt-get install portaudio19-dev python3-pyaudio
# macOS 系统需额外安装
# brew install portaudio
# pip install pyaudio

# Windows 系统如果安装 pyaudio 失败，可安装预编译包
# pip install pipwin
# pipwin install pyaudio

第二步：完整实现代码

以下代码包含 语音识别（麦克风录音） 和 语音合成（文字转语音） 两个核心功能，可直接复制运行：

import speech_recognition as sr
import pyttsx3

# ---------------------- 初始化语音合成引擎 ----------------------
engine = pyttsx3.init()

# 可选：配置语音合成参数（可根据需求调整）
# 1. 调整语速（范围：0-200，默认200）
engine.setProperty('rate', 150)
# 2. 调整音量（范围：0.0-1.0，默认1.0）
engine.setProperty('volume', 0.8)
# 3. 选择音色（0=男声，1=女声，不同系统可能有差异）
voices = engine.getProperty('voices')
if len(voices) > 1:
    engine.setProperty('voice', voices[1].id)  # 切换为女声

# ---------------------- 语音合成函数（文字转语音） ----------------------
deftext_to_speech(text):
"""
    将文字转为语音并播放
    :param text: 要合成的文字内容
    """
ifnot text:
        print("错误：合成的文字不能为空！")
return
    print(f"正在合成语音：{text}")
    engine.say(text)
    engine.runAndWait()  # 等待语音播放完成

# ---------------------- 语音识别函数（麦克风录音转文字） ----------------------
defspeech_to_text():
"""
    通过麦克风录音，将语音转为文字
    :return: 识别出的文字（失败返回空字符串）
    """
# 初始化识别器
    recognizer = sr.Recognizer()
# 使用系统默认麦克风作为音频源
with sr.Microphone() as source:
        print("\n请开始说话（说完后会自动识别）...")
# 调整环境噪音（关键：避免噪音干扰识别）
        recognizer.adjust_for_ambient_noise(source, duration=0.5)
# 录制音频
        audio = recognizer.listen(source)

try:
        print("正在识别语音...")
# 使用 Google 语音识别（中文）
        text = recognizer.recognize_google(audio, language='zh-CN')
        print(f"识别结果：{text}")
return text
except sr.UnknownValueError:
        print("错误：无法识别语音（可能是口音/噪音问题）")
return""
except sr.RequestError as e:
        print(f"错误：语音识别服务不可用 → {e}")
return""

# ---------------------- 主函数（测试功能） ----------------------
if __name__ == "__main__":
    print("===== Python 语音识别与合成 =====")

# 1. 测试语音识别
    recognized_text = speech_to_text()

# 2. 如果识别成功，将结果合成语音播放
if recognized_text:
        print("\n--- 开始播放识别结果 ---")
        text_to_speech(f"你说的是：{recognized_text}")

# 3. 额外测试：自定义文字合成
    print("\n--- 测试自定义文字合成 ---")
    text_to_speech("欢迎使用 Python 语音识别与合成功能！")

代码关键部分解释

1. 语音合成（pyttsx3）：

• engine.init()：初始化离线语音引擎，无需联网。
• setProperty()：可调整语速、音量、音色，适配不同需求。
• engine.say() + engine.runAndWait()：核心合成逻辑，前者添加要朗读的文字，后者执行播放。

2. 语音识别（SpeechRecognition）：

• sr.Microphone()：调用系统麦克风，作为音频输入源。
• adjust_for_ambient_noise()：校准环境噪音，提升识别准确率。
• recognize_google()：调用 Google 免费语音识别接口，language='zh-CN' 指定中文识别。

运行效果

1. 运行代码后，控制台提示“请开始说话”，此时对着麦克风说话（比如“你好”）。
2. 说完后程序自动停止录音，识别出文字并打印。
3. 程序会将识别结果合成语音播放（比如“你说的是：你好”）。
4. 最后播放自定义文字“欢迎使用 Python 语音识别与合成功能！”。

常见问题解决

• Windows 安装 pyaudio 失败：使用 pipwin install pyaudio 安装预编译包。
• 语音识别准确率低：尽量在安静环境下测试，说话清晰，adjust_for_ambient_noise() 的 duration 可调整为 1 秒。
• 语音合成无声音：检查系统音量，或切换音色（voices[0] 换 voices[1]）。

总结

1. 核心库：语音识别用 SpeechRecognition（依赖 Google 接口），语音合成用 pyttsx3（离线），无需复杂配置即可使用。
2. 关键优化：语音识别前调用 adjust_for_ambient_noise() 校准噪音，能大幅提升识别准确率。
3. 使用场景：该方案适合基础的语音交互场景（如语音助手、简单语音控制），如需更高准确率/定制化，可替换为百度/阿里/讯飞的语音 API（需申请开发者密钥）。

 tkinter 把之前的语音识别与合成功能改造成带图形界面的程序，包含开始录音、开始识别、开始合成、文本输入框、预览播放等交互功能，我会为你提供一个完整、美观且易用的 GUI 版本实现。

实现思路

1. 基于 tkinter 构建图形界面，划分功能区：录音识别区、文本合成区、状态提示区。
2. 保留核心的 SpeechRecognition 和 pyttsx3 功能，将命令行交互改为按钮点击交互。
3. 处理 GUI 线程问题：录音识别是耗时操作，需用 threading 避免界面卡死；语音合成需保证播放不阻塞界面。

完整 GUI 代码

import tkinter as tk
from tkinter import ttk, scrolledtext, messagebox
import speech_recognition as sr
import pyttsx3
import threading

# 初始化语音合成引擎（全局）
engine = pyttsx3.init()
# 配置合成参数
engine.setProperty('rate', 150)    # 语速
engine.setProperty('volume', 0.8)  # 音量
voices = engine.getProperty('voices')
if len(voices) > 1:
    engine.setProperty('voice', voices[1].id)  # 女声

classVoiceAssistantGUI:
def__init__(self, root):
        self.root = root
        self.root.title("Python 语音识别与合成助手")
        self.root.geometry("600x450")  # 窗口大小
        self.root.resizable(False, False)  # 禁止缩放

# 识别结果存储
        self.recognized_text = ""

# 创建界面组件
        self.create_widgets()

defcreate_widgets(self):
# ========== 1. 录音识别区域 ==========
        frame_recognize = ttk.LabelFrame(self.root, text="语音识别（麦克风）", padding=10)
        frame_recognize.pack(fill=tk.X, padx=20, pady=10)

# 开始录音按钮
        self.btn_record = ttk.Button(
            frame_recognize, 
            text="开始录音识别", 
            command=self.start_recognition_thread,
            width=20
        )
        self.btn_record.grid(row=0, column=0, padx=5, pady=5)

# 识别状态标签
        self.label_status = ttk.Label(frame_recognize, text="状态：就绪", foreground="black")
        self.label_status.grid(row=0, column=1, padx=5, pady=5)

# 识别结果文本框
        ttk.Label(frame_recognize, text="识别结果：").grid(row=1, column=0, sticky=tk.W, padx=5, pady=5)
        self.text_recognized = scrolledtext.ScrolledText(
            frame_recognize, 
            width=70, 
            height=5, 
            wrap=tk.WORD
        )
        self.text_recognized.grid(row=2, column=0, columnspan=2, padx=5, pady=5)

# ========== 2. 文本合成区域 ==========
        frame_synthesize = ttk.LabelFrame(self.root, text="语音合成（文字转语音）", padding=10)
        frame_synthesize.pack(fill=tk.X, padx=20, pady=10)

# 合成文本输入框
        ttk.Label(frame_synthesize, text="输入合成文本：").grid(row=0, column=0, sticky=tk.W, padx=5, pady=5)
        self.text_synthesize = scrolledtext.ScrolledText(
            frame_synthesize, 
            width=70, 
            height=5, 
            wrap=tk.WORD
        )
        self.text_synthesize.grid(row=1, column=0, columnspan=3, padx=5, pady=5)

# 按钮组：预览播放、合成、清空
        self.btn_play = ttk.Button(
            frame_synthesize, 
            text="预览播放", 
            command=self.play_synthesized_voice,
            width=15
        )
        self.btn_play.grid(row=2, column=0, padx=5, pady=5)

        self.btn_synthesize = ttk.Button(
            frame_synthesize, 
            text="使用识别结果合成", 
            command=self.use_recognized_text,
            width=15
        )
        self.btn_synthesize.grid(row=2, column=1, padx=5, pady=5)

        self.btn_clear = ttk.Button(
            frame_synthesize, 
            text="清空文本", 
            command=self.clear_text,
            width=15
        )
        self.btn_clear.grid(row=2, column=2, padx=5, pady=5)

defstart_recognition_thread(self):
"""启动录音识别线程（避免界面卡死）"""
# 禁用按钮，防止重复点击
        self.btn_record.config(state=tk.DISABLED)
        self.label_status.config(text="状态：正在录音，请说话...", foreground="blue")
# 启动线程执行识别
        thread = threading.Thread(target=self.speech_to_text)
        thread.daemon = True# 守护线程，关闭窗口时自动退出
        thread.start()

defspeech_to_text(self):
"""语音识别核心逻辑（线程内执行）"""
        recognizer = sr.Recognizer()
try:
with sr.Microphone() as source:
                recognizer.adjust_for_ambient_noise(source, duration=0.5)
                audio = recognizer.listen(source)

# 识别语音
            self.label_status.config(text="状态：正在识别...", foreground="orange")
            self.recognized_text = recognizer.recognize_google(audio, language='zh-CN')

# 更新界面（识别成功）
            self.root.after(0, self.update_recognized_text)
            self.label_status.config(text="状态：识别完成", foreground="green")

except sr.UnknownValueError:
            self.root.after(0, lambda: messagebox.showwarning("警告", "无法识别语音（请确保环境安静、发音清晰）"))
            self.label_status.config(text="状态：识别失败（语音无法识别）", foreground="red")
except sr.RequestError as e:
            self.root.after(0, lambda: messagebox.showerror("错误", f"识别服务不可用：{e}"))
            self.label_status.config(text="状态：识别失败（服务异常）", foreground="red")
finally:
# 恢复按钮可用
            self.root.after(0, lambda: self.btn_record.config(state=tk.NORMAL))

defupdate_recognized_text(self):
"""更新识别结果到文本框"""
        self.text_recognized.delete(1.0, tk.END)  # 清空原有内容
        self.text_recognized.insert(tk.END, self.recognized_text)

defplay_synthesized_voice(self):
"""预览播放输入框中的文本"""
        text = self.text_synthesize.get(1.0, tk.END).strip()
ifnot text:
            messagebox.showwarning("警告", "请先输入要合成的文本！")
return

# 启动线程播放，避免界面卡死
        thread = threading.Thread(target=self.text_to_speech, args=(text,))
        thread.daemon = True
        thread.start()

defuse_recognized_text(self):
"""将识别结果填入合成文本框"""
ifnot self.recognized_text:
            messagebox.showwarning("警告", "暂无识别结果，请先完成语音识别！")
return

        self.text_synthesize.delete(1.0, tk.END)
        self.text_synthesize.insert(tk.END, self.recognized_text)

defclear_text(self):
"""清空所有文本框"""
        self.text_recognized.delete(1.0, tk.END)
        self.text_synthesize.delete(1.0, tk.END)
        self.recognized_text = ""
        self.label_status.config(text="状态：就绪", foreground="black")

deftext_to_speech(self, text):
"""语音合成核心逻辑"""
        engine.say(text)
        engine.runAndWait()

if __name__ == "__main__":
    root = tk.Tk()
    app = VoiceAssistantGUI(root)
    root.mainloop()

代码关键部分解释

1. 界面布局：

• 分为「语音识别区」和「语音合成区」两个标签框架（LabelFrame），结构清晰。
• 使用 ScrolledText 作为文本输入/输出框，支持滚动，适配长文本。
• 按钮功能分工明确：开始录音识别、预览播放、使用识别结果合成、清空文本。

2. 线程处理：

• 录音识别和语音播放都是耗时操作，通过 threading.Thread 开启子线程执行，避免 GUI 主线程卡死。
• 用 root.after(0, 函数) 确保界面更新操作在主线程执行（tkinter 不允许子线程直接修改界面）。

3. 交互优化：

• 录音时禁用「开始录音识别」按钮，防止重复点击。
• 状态标签实时显示当前状态（就绪/录音中/识别中/完成/失败），并通过颜色区分。
• 空文本校验：合成前检查输入框是否为空，避免无效操作。

运行效果

1. 启动程序后，弹出 600x450 的窗口，分为两个功能区。
2. 语音识别：
• 点击「开始录音识别」，状态变为“正在录音，请说话”，对着麦克风说话。
• 说完后自动停止录音，状态变为“正在识别”，识别完成后结果显示在「识别结果」文本框。
3. 语音合成：
• 可直接在「输入合成文本」框输入文字，点击「预览播放」即可听到合成语音。
• 点击「使用识别结果合成」，会将识别结果自动填入合成文本框，方便快速复用。
• 点击「清空文本」可清空所有输入/输出内容，恢复初始状态。

依赖说明

运行前需确保已安装以下库（和之前一致）：

pip install SpeechRecognition pyttsx3
# Windows 若 pyaudio 安装失败，执行：
# pip install pipwin && pipwin install pyaudio

总结

1. 核心改进：用 tkinter 封装了语音识别/合成功能，实现可视化交互，关键耗时操作通过线程避免界面卡死。
2. 交互亮点：状态提示、按钮禁用/启用、空值校验、识别结果一键复用，提升用户体验。
3. 扩展方向：可添加语速/音量调节滑块、保存合成语音为音频文件、更换识别/合成引擎（如百度AI）等功能。