保存 Android Stock 语音识别引擎的音频输入

Posted 2023-02-16

【中文标题】保存 Android Stock 语音识别引擎的音频输入

【英文标题】：Saving audio input of Android Stock speech recognition engine

【发布时间】：2012-01-24 21:16:18

【问题描述】：

我正在尝试将android语音识别服务收听的音频数据保存在一个文件中。

实际上我实现了RecognitionListener，如下所述： Speech to Text on Android

将数据保存到缓冲区中，如下所示： Capturing audio sent to Google's speech recognition server

并将缓冲区写入 Wav 文件，如此处所示。 Android Record raw bytes into WAVE file for Http Streaming

我的问题是如何获得适当的音频设置以保存在 wav 文件的标题中。 其实我在播放wav文件的时候只听到奇怪的噪音，用这个参数，

short nChannels=2;// audio channels
int sRate=44100;    // Sample rate
short bSamples = 16;// byteSample

或者什么都没有：

short nChannels=1;// audio channels
int sRate=8000;    // Sample rate
short bSamples = 16;// byteSample

令人困惑的是，我首先从 logcat 中查看语音识别任务的参数 将 PLAYBACK 采样率设置为 44100 HZ：

    12-20 14:41:34.007: DEBUG/AudioHardwareALSA(2364): Set PLAYBACK PCM format to S16_LE (Signed 16 bit Little Endian)
    12-20 14:41:34.007: DEBUG/AudioHardwareALSA(2364): Using 2 channels for PLAYBACK.
    12-20 14:41:34.007: DEBUG/AudioHardwareALSA(2364): Set PLAYBACK sample rate to 44100 HZ
    12-20 14:41:34.007: DEBUG/AudioHardwareALSA(2364): Buffer size: 2048
    12-20 14:41:34.007: DEBUG/AudioHardwareALSA(2364): Latency: 46439

然后 aInfo.SampleRate = 8000 当它播放要发送到谷歌服务器的文件时：

    12-20 14:41:36.152: DEBUG/(2364): PV_Wav_Parser::InitWavParser
12-20 14:41:36.152: DEBUG/(2364): File open Succes
12-20 14:41:36.152: DEBUG/(2364): File SEEK End Succes
...
12-20 14:41:36.152: DEBUG/(2364): PV_Wav_Parser::ReadData
12-20 14:41:36.152: DEBUG/(2364): Data Read buff = RIFF?
12-20 14:41:36.152: DEBUG/(2364): Data Read = RIFF?
12-20 14:41:36.152: DEBUG/(2364): PV_Wav_Parser::ReadData
12-20 14:41:36.152: DEBUG/(2364): Data Read buff = fmt 
...
12-20 14:41:36.152: DEBUG/(2364): PVWAVPARSER_OK
12-20 14:41:36.156: DEBUG/(2364): aInfo.AudioFormat = 1
12-20 14:41:36.156: DEBUG/(2364): aInfo.NumChannels = 1
12-20 14:41:36.156: DEBUG/(2364): aInfo.SampleRate = 8000
12-20 14:41:36.156: DEBUG/(2364): aInfo.ByteRate = 16000
12-20 14:41:36.156: DEBUG/(2364): aInfo.BlockAlign = 2
12-20 14:41:36.156: DEBUG/(2364): aInfo.BitsPerSample = 16
12-20 14:41:36.156: DEBUG/(2364): aInfo.BytesPerSample = 2
12-20 14:41:36.156: DEBUG/(2364): aInfo.NumSamples = 2258

那么，我怎样才能找到正确的参数来将音频缓冲区保存在一个好的 wav 音频文件中呢？

【问题讨论】：

您找到解决方案了吗？

似乎你在这方面已经走得最远了。 mmmx，你能解决这个问题吗？

【参考方案1】：

您尚未包含实际写出 PCM 数据的代码，因此很难诊断，但如果您听到奇怪的噪音，那么您在写入数据时很可能是错误的endian，或错误的频道数。错误的采样率只会导致音频听起来更慢或更快，但如果听起来完全乱码，则可能是指定通道数或字节流的字节序错误。

要确定，只需将字节直接流式传输到没有任何标题的文件（原始 PCM 数据）。这样您就可以在编写文件头时排除任何错误。然后使用Audacity 导入原始数据，尝试不同的选项（位深度、字节序、通道），直到你得到一个听起来正确的音频文件（只有一个是正确的）。您可以从 File->Import->Raw Data...

执行此操作

一旦您以这种方式确定了您的字节格式，您只需要担心您是否正确设置了标题。对于文件格式，您可能需要参考此参考 http://www-mmsp.ece.mcgill.ca/Documents/AudioFormats/WAVE/WAVE.html。或者查看以下有关编写音频文件的现有 Java 解决方案的链接，Java - reading, manipulating and writing WAV files 或 FMJ。虽然我猜这些可能无法在 Android 上使用。

如果您必须使用自己的 WAV/RIFF 编写器，请记住 Java 的数据类型是 big-endian，因此您写入文件的任何多字节原语都必须写入 reverse byte order 以匹配 RIFF 的小端序。

【参考方案2】：

8000，小端序，16 位 PCM，单声道就可以了

【讨论】：

FWIW，以上信息适用于三星 GS2 的音频

【参考方案3】：

在最新版本 onBufferReceived 不起作用，您可以使用record/save audio from voice recognition intent 代替。