自学编程第46课:用Python写一段代码让麦克风实时语音识别——让电脑听到你说话

在45课我们学会了识别音频文件里的语音，但Tyree说还得先录音再保存，太麻烦了。能不能直接对着电脑说话，它一边听一边认？

其实是可以的，今天咱们就用麦克风实时识别。你说一句，电脑认一句。

于是他端端正正坐在电脑前，清了清嗓子：“好了，开始吧。”

今天的课程我们就来做这个：从麦克风实时获取语音并转成文字。

01. 安装必要的库

首先win+r,输入cmd 打命令行打开，在命令行执行：

pip install SpeechRecognition

如果你想让程序能使用麦克风，还需要安装`pyaudio`。`pyaudio` 是一个让 Python 能够录制音频的底层库，`speech_recognition` 依赖于它来读取麦克风数据。

Windows 系统用户的推荐安装方式（如果直接`pip install pyaudio` 报错，用这个方法）：

pip install pipwin

pipwin install pyaudio

如果下载不了，可以尝试用下面这个：

如果安装失败，可以先跳过，后面所有课程不依赖语音识别功能。

02. 第一个实时语音识别程序

下面来写这个实时语音识别的程序代码：

运行后，对着麦克风就可以说话识别啦！

下面来看看代码逐段的解释

- `sr.Microphone()`：这个对象代表你的电脑麦克风。`speech_recognition` 会通过 `pyaudio` 扫描你的系统音频设备，找到默认的麦克风。

- `with ... as source:`：这里使用 `with` 语句，保证录音结束后自动释放麦克风资源。`source` 就是当前麦克风对象，它告诉程序从哪个设备采集音频。

- `adjust_for_ambient_noise(source, duration=1)`：它做的不是“降噪”，而是检测当前环境的背景噪音，然后设置一个阈值。这个阈值决定了后面的 `listen` 什么时候认为“有人在说话”。

如果在安静房间，阈值会自动调整到较低水平，更容易捕捉到说话声；在嘈杂环境，阈值会调高，防止环境噪音被误判为说话。

- `listen(source)`：开始实际录音。它会持续监听 `source` 输入的音频数据，直到检测到一段“有效语音”结束（默认是检测到0.5秒以上的静默，就认为说话人已说完）。

- `recognize_google(audio, language="zh-CN")`：第45课我们讲过 API 的概念。

这里就是调用 Google 的语音识别服务器，把刚才录到的那段音频（`audio`）发过去，让服务器转成文字，然后返回结果。

03. 循环识别：持续监听

单次录音只能识别一句话，如果想持续监听，可以把它放进循环中：

下面来看看新增参数的解释

- `timeout=5`：当程序在等待用户说话时，最多等5秒。如果5秒内麦克风没有收到任何声音，就抛出 `WaitTimeoutError`，然后回到循环开头继续等待。这样程序就不会卡死在 `listen` 上。

- `phrase_time_limit=8`：一旦检测到语音开始，最多录制8秒，超过就自动截断并识别。这防止有人说话太久导致程序长时间卡住。

04. 保存录音到文件（可选）

如果你想把刚才录到的音频保存到硬盘，以便后续检查或调试：

下图中圈起来的部分就是了。

`get_wav_data()` 会返回一段二进制数据，格式是标准 WAV。保存后可以用播放器打开听一下，确认录音是否清晰。

Tyree试了几次，有时候识别不准，他就把录音保存下来自己听，发现是说话声音不够大。他把麦克风凑近一点就好了。

05. 如果网络不通怎么办？

`recognize_google` 需要联网。如果网络不通，你会收到 `RequestError` 错误。

有三种解决思路：

1. 使用国内的语音识别API，需要申请密钥。具体方法后续也会在评论区贴上。

2. 使用Vosk离线识别（完全不需要网络），需下载约780MB的模型文件，相关教程后续也会在评论区贴上。

3. 暂时跳过本课，进入后面不依赖语音识别的课程（自动化工具、爬虫、Web开发等）。

06. 课后小挑战

挑战识别英文

把`language="zh-CN"` 改成 `language="en-US"`，说一句英文试试。注意英文识别对发音清晰度要求较高，建议在安静环境下测试。

07. 今天学到了什么

- `Microphone()`：打开麦克风，需要 `pyaudio` 支持。

- `adjust_for_ambient_noise`：检测环境噪音，自动设置语音识别阈值。原理是在前1秒内计算背景音的基准音量，然后用这个基准判断后续音频中哪些是有效语音。

- `listen`：录音，并在检测到静默时停止。静默检测默认为0.5秒，可通过参数调整。

- `recognize_google`：调用在线 API 识别语音，需要联网。

- `timeout` 和 `phrase_time_limit`：控制等待时间和单次录音长度。

好了，今天课程内容讲完了，大家可以多多动手调试下！

下一节课我们来学习：语音识别+ 命令执行——说“打开浏览器”，电脑就真的打开浏览器。