《I.MX6U 嵌入式Qt开发指南》第二十五章语音识别项目

正点原子运营 · 发表于 2022-9-2 10:24:23

1）实验平台：正点原子阿尔法Linux开发板
2) 章节摘自【正点原子】《I.MX6U 嵌入式Qt开发指南》
3）购买链接:https://detail.tmall.com/item.htm?id=609033604451
4）全套实验源码+手册+视频下载地址：http://www.openedv.com/docs/boards/arm-linux/zdyz-i.mx6ull.html
5）正点原子官方B站：https://space.bilibili.com/394620890
6）正点原子阿尔法Linux交流群：1027879335

第二十五章语音识别项目

我们知道AI智能音箱已经在我们生活中不少见，也许我们都玩过，智能化非常高，功能强大，与我们平常玩的那种蓝牙音箱，Wifi音箱有很大的区别，AI智能在哪里呢？语音识别技术和云端技术，主要由主控芯片，麦克风阵列，功率放大，codec，触控电路，LED阵列组成。

AI音箱对传统音箱主要有两大块的技术区别，一块是语音信号的前处理，包括回声消除、波速成型、音源定位、降噪、去混响、自动语音电平控制这块是偏硬件的控制。还有一块是智能语音交互，包括语音关键词搜索、本地语音识别、声纹识别、语音合成。

AI智能音箱的芯片方案商：联发科，全志科技，瑞芯微等等，语音识别都有现成的方案商。他们的麦克风阵列方案，有2麦，4麦，6麦，7 + 1麦等等。

写上面这些是让读者了解一下专业AI音箱方案与我们在正点原子Linux开发板想实现语音识别的差别在哪里。我们在正点原子Linux开发板上实现语音识别项目（功能），就不能与专业的AI音箱对比了。硬件资源有限，开发板只有一个麦头（咪头座），没有那些硬件控制消除回声，降噪等等。不过编者在上面调用百度语音API识别语音，识别率还是挺高的。

下面就与大家一起在正点原子Linux IMX6U开发板上实现语音识别功能吧！注意：正点原子MINI I.MX6U开发板没有音频芯片，不支持此实验，只有正点原子I.MX6U ALPHA开发板支持。

本章简介如下：

介绍百度语音技术账号申请，及简单介绍调用流程。

用Qt编写示例程序。流程如下，录制音频后，发送调用百度语音识别API接口，识别并返回结果。支持语音控制正点原子I.MX6U开发板上的LED控制，其他设备可以自行拓展。

25.1 语音识别产品申请帐号

语音识别技术产品，有讯飞，百度等厂家，我们可以购买或者免费试用他们的产品。可以直接到他们的官网上查看，有使用技术文档。下面我们以百度语音识别技术产品为例子。可以在浏览器输入搜索“百度语音识别”，就可以找到百度AI开放平台。

点击进去就可以看到他的技术文档链接位置。如下图。

或者直接打开https://ai.baidu.com/ai-doc/SPEECH/Ek39uxgre就可以跳转到百度AI开放平台》帮助文档》语音技术页面。如下图。

请仔细阅读百度语音技术的文档，里面写的非常详细，还有例子下载参考。

编者阅读总结，想要使用百度语音识别接口，需要根据上面图中的新手指南注册百度帐号，领取免费额度及创建中文普通话应用（创建前先领取免费额度（180天免费额度，可调用约5万次左右，详细请看免费额度说明））。记住自己的密钥。请自行完成及创建百度帐号，按照百度帮助文档里的步骤，领取免费额度及创建中文普通话应用，获取密钥！程序里需要用到自己的密钥。编者提供的密钥是百度语音识别例程里的，如果开发次数超了可能就不能使用了。程序中只需要API Key与Secret Key。注意获取Access Token时有效期为30天，到期后需要在程序里重新获取新的token。

更多参考请查看百度AI接入指南。

注意，帮助文档里提及SDK包，有LinuxC++SDK包支持，但是目前仅支持 X64（x86-64） CPU架构的 Linux 操作系统。LinuxSDK 仅支持在线语音识别，固定长语音模式。简单的说就是还不支持ARM架构的SDK包。

25.2 百度语音识别流程及示例简介

在百度AI帮助文档里可以看见如下重要信息。

请认真阅读调用流程，了解操作过程，对下面理解编者编写Qt调用百度语音API的例子会有一定的帮助。

总结：调用流程需要仔细阅读，百度提供了示例Demo代码，可以看到里面支持很多种编程语言编写的API请求相关示例demo代码。没有直接C++相关的代码。C语言是C++语言的子集，我们可以直接参考C语言编写的例子（请自行查阅及参考百度提供的C语言编写的API请求相关示例demo代码）来编写Qt调用语音识别API。（备注：其他语言编写的例子不在我们教程范围。）识别的音频格式支持如上，我们可以知道一些重要的信息是支持采样率16000、8000的固定值，16bit深的单声道，音频长度最长60秒。格式支持wav，恰好正点原子Linux I.MX6U开发板系统支持wav格式播放及录制（详细请看【正点原子】I.MX6U用户快速体验V1.x.pdf测试音频部分）。

备注：由于百度语音识别的API例子放在github（开源网站），国外网站的原因，可能打开失败，请多次尝试，如果一直无法访问，那么我们直接往下看使用编者编写Qt的示例吧。不能访问的话，编者也没办法的。

25.3 百度短语音识别API接口

源码路径为4/02_asr_demo/asr/asr.h，内容如下。asr是语音识别功能demo，（asr译作自动语音识别技术即automatic speech recognition）

/******************************************************************
Copyright © Deng Zhimao Co., Ltd. 1990-2021. All rights reserved.
* @projectName asr
* @brief asr.h
* [url=home.php?mod=space&uid=90321]@Author[/url] Deng Zhimao
* [url=home.php?mod=space&uid=55957]@EMAIL[/url] 1252699831@qq.com
* [url=home.php?mod=space&uid=28414]@net[/url] www.openedv.com
* @date 2021-06-03
*******************************************************************/
1 #ifndef ASR_H
2 #define ASR_H
3
4 #include <QWidget>
5
6 #include <QNetworkAccessManager>
7 #include <QNetworkReply>
8
9 #include <QJsonDocument>
10 #include <QJsonParseError>
11 #include <QJsonObject>
12 #include <QJsonArray>
13 #include <QHostInfo>
14
15 #include <QFile>
16
17 class Asr : public QWidget
18 {
19 Q_OBJECT
20
21 public:
22 Asr(QWidget *parent = nullptr);
23 ~Asr();
24
25 /* 请求网络 */
26 void requestNetwork(QString, QByteArray);
27
28 /* 获取识别结果 */
29 void getTheResult(QString fileName);
30
31 private:
32 /* 存储获取tokenUrl地址 */
33 QString tokenUrl;
34
35 /* 存储serverapi地址 */
36 QString serverApiUrl;
37
38 /* 最终需要访问token的地址 */
39 QString accessToken;
40
41 /* 获取token的接口*/
42 const QString token_org = "https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=%1&client_secret=%2&";
43
44 /* 填写网页上申请的appkey 如 g_api_key="g8eBUMSokVB1BHGmgxxxxxx" */
45 const QString api_key = "kVcnfD9iW2XVZSMaLMrtLYIz";
46
47 /* 填写网页上申请的APP SECRET 如 $secretKey="94dc99566550d87f8fa8ece112xxxxx" */
48 const QString secret_key = "O9o1O213UgG5LFn0bDGNtoRN3VWl2du6";
49
50 /* 百度服务器API接口，发送语音可返回识别结果 */
51 const QString server_api = "http://vop.baidu.com/server_api?dev_pid=1537&cuid=%1&token=%2";
52
53 /* 网络管理 */
54 QNetworkAccessManager *networkAccessManager;
55
56 QString getJsonValue(QByteArray ba, QString key);
57
58 QFile file;
59
60 private slots:
61
62 /* 准备读取响应返回来的数据 */
63 void readyReadData();
64
65 /* 响应完成处理 */
66 void replyFinished();
67
68 signals:
69 void asrReadyData(QString);
70
71 };
72 #endif // ASR_H

复制代码

第45行，请填写读者自己在网页上申请的API Key。以防万一示例中的API Key过期不可用！

第47行，请填写读者在网页上申请的Secret Key。以防万一示例中的Secret Key过期不可用！

其他地址由来是见百度给出的Demo示例，及百度的帮助文档。这里就不详细说了。原理与上一章原子云API接口相似。不过百度语音识别需要通过自己的帐号，指定地址获取访问的Token源地址，然后将得到的Access Token地址与语音识别服务器地址拼接，发送语音到服务器，就可以返回识别的结果了。详细请参考源码4/02_asr_demo/asr/asr.cpp。

25.4 录制wav音频

在12.5小节，已经介绍过开发板如何录制音频文件了，详细请看12.5小节，就不详细介绍了，注意需要修改的地方如下。因为百度语音识别支持采样率16000、8000的固定值，16bit深的单声道，音频长度最长60秒。格式支持wav，pcm等格式。我们需要修改录制音频格式为wav格式，通道为单声道，采样率为16000，源码如下，已用红色字体标出。录制的音频文件保存为本地16k.wav文件。

源码路径为4/02_asr_demo/audiorecorder/audiorecorder.cpp。

/******************************************************************
Copyright © Deng Zhimao Co., Ltd. 1990-2021. All rights reserved.
* @projectName audiorecorder
* @brief audiorecorder.cpp
* @author Deng Zhimao
* @email 1252699831@qq.com
* @net www.openedv.com
* @date 2021-06-04
*******************************************************************/
1 #include "audiorecorder.h"
2 #include <QDebug>
3 #include <QUrl>
4 #include <QDateTime>
5 #include <QDir>
6 #include <QCoreApplication>
7
8 static qreal getPeakValue(const QAudioFormat &format);
9 static QVector<qreal> getBufferLevels(const QAudioBuffer &buffer);
10
11 template <class T>
12 static QVector<qreal> getBufferLevels(const T *buffer, int frames, int channels);
13
14 AudioRecorder::AudioRecorder(QWidget *parent)
15 {
16 Q_UNUSED(parent);
17
18 /* 录制音频的类 */
19 m_audioRecorder = new QAudioRecorder(this);
20
21 /* 用于探测缓冲区的数据 */
22 m_probe = new QAudioProbe(this);
23
24 /* 信号槽连接，更新录音level显示 */
25 connect(m_probe, &QAudioProbe::audioBufferProbed,
26 this, &AudioRecorder::processBuffer);
27
28 /* 设置探测的对象 */
29 m_probe->setSource(m_audioRecorder);
30
31 /* 扫描本地声卡设备 */
32 devicesVar.append(QVariant(QString()));
33 for (auto &device: m_audioRecorder->audioInputs()) {
34 devicesVar.append(QVariant(device));
35 //qDebug()<<"本地声卡设备："<<device<<endl;
36 }
37
38 /* 音频编码 */
39 codecsVar.append(QVariant(QString()));
40 for (auto &codecName: m_audioRecorder->supportedAudioCodecs()) {
41 codecsVar.append(QVariant(codecName));
42 //qDebug()<<"音频编码："<<codecName<<endl;
43 }
44
45 /* 容器/支持的格式 */
46 containersVar.append(QVariant(QString()));
47 for (auto &containerName: m_audioRecorder->supportedContainers()) {
48 containersVar.append(QVariant(containerName));
49 //qDebug()<<"支持的格式："<<containerName<<endl;
50 }
51
52 /* 采样率 */
53 sampleRateVar.append(QVariant(0));
54 /* 百度语音识别只支持8000、 16000采样率 */
55 sampleRateVar.append(QVariant(8000));
56 sampleRateVar.append(QVariant(16000));
57 for (int sampleRate: m_audioRecorder->supportedAudioSampleRates()) {
58 sampleRateVar.append(QVariant(sampleRate));
59 //qDebug()<<"采样率："<<sampleRate<<endl;
60 }
61
62
63 /* 通道 */
64 channelsVar.append(QVariant(-1));
65 channelsVar.append(QVariant(1));
66 channelsVar.append(QVariant(2));
67 channelsVar.append(QVariant(4));
68
69 /* 质量 */
70 qualityVar.append(QVariant(int(QMultimedia::LowQuality)));
71 qualityVar.append(QVariant(int(QMultimedia::NormalQuality)));
72 qualityVar.append(QVariant(int(QMultimedia::HighQuality)));
73
74 /* 比特率 */
75 bitratesVar.append(QVariant(0));
76 bitratesVar.append(QVariant(32000));
77 bitratesVar.append(QVariant(64000));
78 bitratesVar.append(QVariant(96000));
79 bitratesVar.append(QVariant(128000));
80
81 /* 录音类信号槽连接 */
82 connect(m_audioRecorder, &QAudioRecorder::durationChanged,
83 this, &AudioRecorder::updateProgress);
84 }
85
86 AudioRecorder::~AudioRecorder()
87 {
88 }
89
90
91 void AudioRecorder::startRecorder()
92 {
93 /* 备注：录音需要设置成16000 采样率和通道数为1，
94 * 保存为wav文件需要设置成audio/x-wav（container文件格式） */
95
96 /* 如果录音已经停止，则开始录音 */
97 if (m_audioRecorder->state() == QMediaRecorder::StoppedState) {
98 /* 设置默认的录音设备 */
99 m_audioRecorder->setAudioInput(devicesVar.at(0).toString());
100
101 /* 下面的是录音设置 */
102 QAudioEncoderSettings settings;
103 settings.setCodec(codecsVar.at(0).toString());
104 settings.setSampleRate(sampleRateVar[2].toInt());
105 settings.setBitRate(bitratesVar[0].toInt());
106 settings.setChannelCount(channelsVar[1].toInt());
107 settings.setQuality(QMultimedia::EncodingQuality(
108 qualityVar[0].toInt()));
109
110 /* 以恒定的质量录制，可选恒定的比特率 */
111 settings.setEncodingMode(QMultimedia::ConstantQualityEncoding);
112
113 /* I.MX6ULL第20个支持的格式为 audio/x-wav */
114 QString container = containersVar.at(20).toString();
115
116 /* 使用配置 */
117 m_audioRecorder->setEncodingSettings(settings,
118 QVideoEncoderSettings(),
119 container);
120 /* 录音保存为16k.wav文件 */
121 m_audioRecorder->setOutputLocation(QUrl::fromLocalFile(tr("./16k.wav")));
122
123 /* 开始录音 */
124 m_audioRecorder->record();
125 }
126 }
127
128 void AudioRecorder::stopRecorder()
129 {
130 /* 停止录音 */
131 m_audioRecorder->stop();
132 }
133
134
135 void AudioRecorder::updateProgress(qint64 duration)
136 {
137 Q_UNUSED(duration);
138
139 if (m_audioRecorder->error()
140 != QMediaRecorder::NoError)
141 return;
142
143 /* 打印录制时长 */
144 //qDebug()<<duration / 1000<<endl;
145 }
146
147
148 void AudioRecorder::clearAudioLevels()
149 {
150 //...
151 }
152
153 // This function returns the maximum possible sample value for a given audio format
154 qreal getPeakValue(const QAudioFormat& format)
155 {
156 // Note: Only the most common sample formats are supported
157 if (!format.isValid())
158 return qreal(0);
159
160 if (format.codec() != "audio/pcm")
161 return qreal(0);
162
163 switch (format.sampleType()) {
164 case QAudioFormat::Unknown:
165 break;
166 case QAudioFormat::Float:
167 if (format.sampleSize() != 32) // other sample formats are not supported
168 return qreal(0);
169 return qreal(1.00003);
170 case QAudioFormat::SignedInt:
171 if (format.sampleSize() == 32)
172 return qreal(INT_MAX);
173 if (format.sampleSize() == 16)
174 return qreal(SHRT_MAX);
175 if (format.sampleSize() == 8)
176 return qreal(CHAR_MAX);
177 break;
178 case QAudioFormat::UnSignedInt:
179 if (format.sampleSize() == 32)
180 return qreal(UINT_MAX);
181 if (format.sampleSize() == 16)
182 return qreal(USHRT_MAX);
183 if (format.sampleSize() == 8)
184 return qreal(UCHAR_MAX);
185 break;
186 }
187
188 return qreal(0);
189 }
190
191 // returns the audio level for each channel
192 QVector<qreal> getBufferLevels(const QAudioBuffer& buffer)
193 {
194 QVector<qreal> values;
195
196 if (!buffer.format().isValid() || buffer.format().byteOrder() != QAudioFormat::LittleEndian)
197 return values;
198
199 if (buffer.format().codec() != "audio/pcm")
200 return values;
201
202 int channelCount = buffer.format().channelCount();
203 values.fill(0, channelCount);
204 qreal peak_value = getPeakValue(buffer.format());
205 if (qFuzzyCompare(peak_value, qreal(0)))
206 return values;
207
208 switch (buffer.format().sampleType()) {
209 case QAudioFormat::Unknown:
210 case QAudioFormat::UnSignedInt:
211 if (buffer.format().sampleSize() == 32)
212 values = getBufferLevels(buffer.constData<quint32>(), buffer.frameCount(), channelCount);
213 if (buffer.format().sampleSize() == 16)
214 values = getBufferLevels(buffer.constData<quint16>(), buffer.frameCount(), channelCount);
215 if (buffer.format().sampleSize() == 8)
216 values = getBufferLevels(buffer.constData<quint8>(), buffer.frameCount(), channelCount);
217 for (int i = 0; i < values.size(); ++i)
218 values[i] = qAbs(values.at(i) - peak_value / 2) / (peak_value / 2);
219 break;
220 case QAudioFormat::Float:
221 if (buffer.format().sampleSize() == 32) {
222 values = getBufferLevels(buffer.constData<float>(), buffer.frameCount(), channelCount);
223 for (int i = 0; i < values.size(); ++i)
224 values[i] /= peak_value;
225 }
226 break;
227 case QAudioFormat::SignedInt:
228 if (buffer.format().sampleSize() == 32)
229 values = getBufferLevels(buffer.constData<qint32>(), buffer.frameCount(), channelCount);
230 if (buffer.format().sampleSize() == 16)
231 values = getBufferLevels(buffer.constData<qint16>(), buffer.frameCount(), channelCount);
232 if (buffer.format().sampleSize() == 8)
233 values = getBufferLevels(buffer.constData<qint8>(), buffer.frameCount(), channelCount);
234 for (int i = 0; i < values.size(); ++i)
235 values[i] /= peak_value;
236 break;
237 }
238
239 return values;
240 }
241
242 template <class T>
243 QVector<qreal> getBufferLevels(const T *buffer, int frames, int channels)
244 {
245 QVector<qreal> max_values;
246 max_values.fill(0, channels);
247
248 for (int i = 0; i < frames; ++i) {
249 for (int j = 0; j < channels; ++j) {
250 qreal value = qAbs(qreal(buffer[i * channels + j]));
251 if (value > max_values.at(j))
252 max_values.replace(j, value);
253 }
254 }
255
256 return max_values;
257 }
258
259 void AudioRecorder::processBuffer(const QAudioBuffer& buffer)
260 {
261 /* 根据通道数目需要显示count个level */
262 int count = buffer.format().channelCount();
263 /* 打印通道数 */
264 Q_UNUSED(count);
265 // qDebug()<<"通道数"<<count<<endl;
266
267 /* 设置level的值 */
268 QVector<qreal> levels = getBufferLevels(buffer);
269 for (int i = 0; i < levels.count(); ++i) {
270 /* 打印音量等级 */
271 // qDebug()<<"音量等级"<<levels.at(i)<<endl;
272 }
273 }

复制代码

4/02_asr_demo/audiorecorder/audiorecorder.cpp主要提供了一个startRecorder()和stopRecorder()的接口，录音保存的文件为可执行程序当前路径下的16k.wav文件。startRecorder()和stopRecorder()分别是开始录音和停止录音。

第54~56行，增加8000和16000的支持项。

第104行，设置为下标为2的项，也就是16000采样率。

第106行，设置通道数下标为1的项，也就是单通道。

第114行，设置文件容器/格式，为audio/x-wav格式（项的下标为20）。设置此格式会保存wav后缀的文件。

25.5 语音界面UI开发

项目路径为4/02_asr_demo/02_asr_demo/02_asr_demo.pro，先看项目界面。项目界面如下，界面简洁大气，界面中间用了一个立体的素材，点击后可以旋转，给人一种智能化的感觉，点击时还会有音效提示，文本提示“请点击，开始说话…”，点击后，提示“正在听您说话，请继续…”，录制8s左右的音频，等待返回识别结果即可。编写设计完成的效果不错！请自行查阅源码，掌握了本教程前面第七章的内容，就可以理解这个界面是如何设计的。

25.6 语音识别项目综合测试

打开4/02_asr_demo/02_asr_demo/02_asr_demo.pro项目，此项目为语音识别UI界面。

打开项目如下图。

项目文件夹下内容解释：

02_asr_demo项目下：

l asr文件夹为语音识别的应用程序，主要用来与将录制的音频发送到百度云语音识别服务器上，然后返回识别结果。

l aduiorecorder文件夹为录制wav音频的文件夹。主要是用来录制wav音频。

l led文件夹为I.MX6U开发板控制LED的接口程序。

l Headers文件夹为界面设计的头文件。

l Sources文件夹为界面设计的源文件。

25.6.1 Ubuntu上运行

Ubuntu运行后界面如下，注意，Ubuntu需要联网！Ubuntu上理论上是能录制音频识别返回结果的，但是教程主要写正点原子I.MX6U开发板上的语音识别项目。限于编者手上没有可用电脑麦克风，估计读者也没有，电脑配置麦克风输入后可以自行测试。运行之后可以看到下面的界面。Windows不作讲解！请到下面小节使用正点原子I.MX6U ALPHA开发板运行体验识别效果！

25.6.2 ALPHA开发板上运行

本例适用于正点原子I.MX6U ALPHA开发板！请使用正点原子I.MX6U的出厂系统进行测试！

请使用正点原子的I.MX6U的出厂时的系统测试！

重要的事情是说三遍！

开始录音前，需要根据正点原子I.MX6U用户快速体验手册，第3.15小节进行测试板子的录音功能。确保能正常录音，再交叉编译此Qt应用程序到开发板上运行。如何交叉编译Qt应用程序到开发板，请看【正点原子】I.MX6U 出厂系统Qt交叉编译环境搭建V1.x版本。

在正点原子I.MX6U开发板上运行此录音程序，需要先配置是麦克风（板子上的麦头）。

麦头录音，则在板子上运行开启麦头录音的脚本。

/home/root/shell/audio/mic_in_config.sh

交叉编译到开发板上运行效果如下。下面的图都是开发板上的截图。

程序初始化时。（注意开发板先插上网线联网！确保能上网！）

点击中间的图标后，注意，请在点击1.5~2s后再说话，点击时有音效提醒，避免把音效录进去。整个录音过程是8s左右。

识别返回结果的过程很快，识别率也挺高，如下图，编者说了一句“正点原子”，语音识别返回“正点原子”的结果。注意，识别是中文标准普通话。请尽量说一些日常话语，避免说生僻语句，特殊的方言等。识别常见问题请查看百度AI开发平台的帮助文档。