Python怎样实现语音识别？SpeechRecognition教程

Python作为一门通用编程语言，在音频处理、人工智能相关领域有丰富的生态库，SpeechRecognition就是其中专门用于实现语音识别功能的第三方库，它封装了多个主流语音识别引擎的接口，让开发者可以用简单的代码完成语音转文字的操作。

环境准备与库安装

首先需要在Python环境中安装SpeechRecognition库，同时如果需要处理本地音频文件，还需要安装依赖的音频处理库。如果是使用麦克风进行实时识别，还需要安装PyAudio库用于音频采集。

使用pip命令安装相关依赖：

# 安装SpeechRecognition核心库
pip install SpeechRecognition
# 安装音频处理依赖，用于读取wav等格式音频
pip install pydub
# 安装麦克风采集依赖，仅实时识别需要
pip install pyaudio

核心API介绍

SpeechRecognition库的核心类是Recognizer，所有识别操作都通过该类的实例完成，常用的API如下：

• record(source, duration=None)：从音频源中读取音频数据，duration参数可以指定读取时长
• recognize_google(audio, language="zh-CN")：调用Google Web Speech API进行识别，支持指定识别语言
• recognize_sphinx(audio)：调用离线CMU Sphinx引擎识别，不需要联网
• Microphone()：音频源类，用于获取麦克风输入的音频
• AudioFile(path)：音频源类，用于读取本地音频文件

本地音频文件识别实现

本地音频识别是常见的需求，比如处理已经录制好的wav、mp3格式音频，下面是从wav文件识别文字的完整示例：

import speech_recognition as sr

# 创建识别器实例
recognizer = sr.Recognizer()
# 打开本地wav音频文件，注意只支持wav格式，其他格式需要先转换
audio_file = sr.AudioFile("test_audio.wav")

# 读取音频文件内容
with audio_file as source:
    # 调整环境噪声阈值，提升识别准确率
    recognizer.adjust_for_ambient_noise(source)
    # 读取全部音频数据
    audio_data = recognizer.record(source)

try:
    # 调用Google识别引擎，指定中文语言
    text = recognizer.recognize_google(audio_data, language="zh-CN")
    print("识别结果：", text)
except sr.UnknownValueError:
    print("无法识别音频内容")
except sr.RequestError as e:
    print("识别服务请求失败：", e)

如果音频是mp3等其他格式，需要先用pydub库转换为wav格式再识别，转换代码如下：

from pydub import AudioSegment

# 读取mp3文件并转换为wav
audio = AudioSegment.from_mp3("test_audio.mp3")
audio.export("test_audio.wav", format="wav")

麦克风实时语音识别实现

实时识别适用于需要即时获取用户语音输入的场景，比如语音助手、实时字幕生成等，实现代码如下：

import speech_recognition as sr

recognizer = sr.Recognizer()
# 创建麦克风音频源
microphone = sr.Microphone()

print("请开始说话...")
with microphone as source:
    # 调整噪声阈值
    recognizer.adjust_for_ambient_noise(source)
    # 监听麦克风输入，超时时间为5秒
    audio_data = recognizer.listen(source, timeout=5)

try:
    text = recognizer.recognize_google(audio_data, language="zh-CN")
    print("实时识别结果：", text)
except sr.UnknownValueError:
    print("未检测到有效语音内容")
except sr.RequestError as e:
    print("识别服务异常：", e)

常见问题与优化建议

识别准确率低的问题

可以通过adjust_for_ambient_noise方法提前采集环境噪声样本，调整识别器的噪声阈值，同时尽量使用采样率为16000Hz、单声道的wav格式音频，这类音频的识别准确率更高。

离线识别的实现

如果不需要联网，可以使用CMU Sphinx离线引擎，首先安装pocketsphinx库：

pip install pocketsphinx

之后将识别方法替换为recognize_sphinx即可，示例：

import speech_recognition as sr

recognizer = sr.Recognizer()
with sr.AudioFile("test_audio.wav") as source:
    audio_data = recognizer.record(source)
# 离线识别，不需要联网
text = recognizer.recognize_sphinx(audio_data)
print("离线识别结果：", text)

识别超时处理

实时识别时可以给listen方法设置timeout和phrase_time_limit参数，避免程序长时间阻塞，比如设置phrase_time_limit=10表示最长识别10秒的语音内容。

PythonSpeechRecognition语音识别音频处理修改时间：2026-06-15 13:24:24