recognizer.py

"""
Для работы с аудиофайлами рекомендую использовать ffmpeg
Скачать его для Windows: https://www.gyan.dev/ffmpeg/builds/ffmpeg-git-full.7z
После скачивания распаковать в любую папу и записать путь до неё в переменную ffmpeg_path

Для использования распознавания текста используем vosk
Установка: pip install vosk

"""
import os           # Для работы с файловой системой
import sys          # Для получения аргументов
import subprocess   # Для выполнения команд
import json         # Для рработы с json

from vosk import KaldiRecognizer, Model  # оффлайн-распознавание от Vosk

# Путь до папки ffmpeg (в этой папке должен лежать файл ffmpeg.exe)
ffmpeg_path = "путь до папки ffmpeg"

# Путь до модели vosk
model_path = "путь до папки модели"

try:
    """
        FFMPEG
    """
    if not os.path.exists(ffmpeg_path + "/ffmpeg"):
        # Если папка ffmpeg не существует
        print("err: Не найден ffmpeg")
        exit(1)
    else:
        # Добавляем к пути название файла (без .exe)
        ffmpeg_path = ffmpeg_path + "/ffmpeg"

    """
        VOSK
    """
    if not os.path.exists(model_path):
        # Если папка модели не существует
        print("err: Не найдена модель vosk")
        exit(1)
    else:
        # Загрузим в vosk языковую модель
        model = Model(model_path)

    """
        Голосовое сообщение
    """
    if not sys.argv[1] or not os.path.exists(sys.argv[1]):
        # Если аудиофайл не существует
        print("err: Не найден аудиофайл")
        exit(1)
    else:
        # Путь до аудиофайла из аргумента
        voice_file = sys.argv[1]

    # Конвертация аудио в wav и результат в process.stdout
    process = subprocess.Popen(
        [
            ffmpeg_path,                        # Путь до программы ffmpeg
            "-loglevel", "quiet",               # "Тихий" режим для логов
            "-i", voice_file,                   # Имя входного файла
            "-ar", "16000",                     # Частота выборки
            "-ac", "1",                         # Кол-во каналов
            "-f", "s16le",                      # Кодек для перекодирования, у нас wav
            "-"                                 # Имя выходного файла нет, т.к. читаем из stdout
        ],
        stdout=subprocess.PIPE
    )

    # Используя модель создаём распознаватель
    offline_recognizer = KaldiRecognizer(model, 16000)
    offline_recognizer.SetWords(True)

    # Чтение данных частями и распознование
    while True:
        data = process.stdout.read(4000)
        if len(data) == 0:
            break
        if offline_recognizer.AcceptWaveform(data):
            pass

    # Возвращаем распознанный текст в виде str
    result_json = offline_recognizer.FinalResult()  # это json в виде str
    result_dict = json.loads(result_json)  # это dict
    print("suc: " + result_dict["text"])

except:
    print("err: Неизвестная ошибка")