Я интегрировал поток Twilio Media с когнитивной службой Azure (преобразование речи в текст). Я унаследовал speechsdk.audio.PullAudioInputStreamCallback
класс для отправки звуковых фрагментов на сервер.
import azure.cognitiveservices.speech as speechsdk
import queue
class SocketReaderCallback(speechsdk.audio.PullAudioInputStreamCallback):
def __init__(self):
super().__init__()
self._q = queue.Queue()
def read(self, buffer: memoryview) -> int:
chunk = self._q.get()
buffer[:len(chunk)] = chunk
return len(chunk)
def has_bytes(self):
return True if self._q.qsize() > 0 else False
def queueup(self,chunk):
self._q.put(chunk)
def close(self):
print("AZ.Callback.Closed")
Ниже приведен код класса транскрибера. Здесь метод add_request
добавляет звуковые фрагменты в очередь указанного выше класса обратного вызова. Класс обратного вызова выбирает фрагменты из очереди и отправляет их на сервер Azure для транскрипции.
import azure.cognitiveservices.speech as speechsdk
import queue
from rule_engine.medium.azure_transcribe.azure_calback import SocketReaderCallback
class AzureTranscribe:
def __init__(self, speech_config, on_response, user_id):
self._on_response = on_response
self.callback = SocketReaderCallback()
wave_format = speechsdk.audio.AudioStreamFormat(samples_per_second=8000, bits_per_sample=8, channels=1)
self._stream = speechsdk.audio.PullAudioInputStream(self.callback,wave_format)
audio_config = speechsdk.audio.AudioConfig(stream=self._stream)
self._speech_recognizer = speechsdk.SpeechRecognizer(speech_config=speech_config, language="en-IN", audio_config=audio_config)
self._ended = False
self.user_id = user_id
self.initialize_once()
self.state = None
def initialize_once(self):
# Connect callbacks to the events fired by the speech recognizer
self._speech_recognizer.recognizing.connect(lambda evt: print('AZ.RECOGNIZING: {}'.format(evt)))
self._speech_recognizer.recognized.connect(lambda evt: print('AZ.RECOGNIZED: {}'.format(evt)))
self._speech_recognizer.session_started.connect(lambda evt: print('AZ.SESSION STARTED: {}'.format(evt)))
self._speech_recognizer.session_stopped.connect(lambda evt: print('AZ.SESSION STOPPED {}'.format(evt)))
self._speech_recognizer.canceled.connect(lambda evt: print('AZ.CANCELED {}'.format(evt)))
self._speech_recognizer.start_continuous_recognition()
def add_request(self, buffer):
# buffer, self.state = audioop.ratecv(bytes(buffer), 2, 2, 8000, 16000, self.state)
self.callback.queueup(bytes(buffer))
def terminate(self):
self._ended = True
self._speech_recognizer.stop_continuous_recognition()
- Если я загружаю фрагменты аудио из аудиофайла, транскрипция будет точной.
- Если я загружу фрагменты аудио из звонка Twilio, транскрипция будет очень плохой.
Частота дискретизации Twilio составляет 8 кГц, а ожидаемая частота дискретизации Azure - 16 кГц. Тем не менее, Azure работает с обеими частотами дискретизации и обеспечивает низкое качество транскрипции для обеих.