微信小程序的基礎(chǔ)庫升級到了 1.6.0 之后，提供了許多新的 API，其中新增了 錄音管理 的 API，不同于以前只有 wx.startRecord 和 wx.stopRecord 兩個簡單的錄音功能，新的 wx.getRecorderManager 接口提供了包括擴展時長、采樣率、錄音通道、碼率、格式等在內(nèi)的許多配置項。基于此，我們能更加輕松的控制錄音，新提供的 onFrameRecorded 的事件，甚至可以實現(xiàn)流式語音識別。

本文就介紹一下使用 Wafer Node.js SDK 提供的騰訊云智能語音識別接口來實現(xiàn)錄音轉(zhuǎn)文字的功能。請您先從 Github 下載 語音識別 Demo ，本文會根據(jù) Demo 來介紹 SDK 中語音識別接口的使用。

使用語音識別需要開通騰訊云智能語音。

打開 server/config.js ，添加上 qcloudAppId ， qcloudSecretId ， qcloudSecretKey 三個配置項，并在代碼目錄中打開 CMD，運行如下代碼：

cd server && npm i

安裝完成依賴，選擇小程序開發(fā)者工具右上角的【騰訊云】按鈕，點擊【上傳測試環(huán)境】上傳代碼到測試環(huán)境中，一鍵部署程序。你也可以自行部署代碼，部署過程同 《自行部署 Node.js Demo》 ，這里不再介紹。

最終實現(xiàn)的效果如下：

具體是如何實現(xiàn)的呢？接下來我們來分析一下 Demo 里的有關(guān)代碼。

首先查閱 SDK API 文檔可知，SDK 提供的語音識別接口是分片識別接口，原理是將語音文件切分成一個個分片，將每個分片以 buffer 格式傳入接口，最后一個分片調(diào)用接口時需要將 isEnd 參數(shù)置為 true ，最后會返回完整的識別結(jié)果，以此來流式識別語音。

由于智能語音識別只支持以下幾種編碼格式的音頻文件：

• pcm
• adpcm
• feature
• speex
• amr
• silk
• wav

所以小程序端通過 recorderManager 獲取到的錄音文件需要提前轉(zhuǎn)換為這幾種格式中的一種，然后才能識別。Demo 里選擇了將 mp3 格式轉(zhuǎn)換為 wav 格式文件的形式。

Demo 中采用了 ffmpeg 對語音文件進行轉(zhuǎn)碼，使用 ffmpeg 的前提是需要在環(huán)境中安裝 ffmpeg ，然后在 Node.js 中使用 fluent-ffmpeg 調(diào)用 ffmpeg 實現(xiàn)轉(zhuǎn)碼。

注意： ffmpeg 并沒有默認預(yù)裝在開發(fā)環(huán)境和生產(chǎn)環(huán)境中，如果您需要使用語音識別的轉(zhuǎn)碼功能，可以提交工單，我們會為您配置好環(huán)境。

打開 Demo 中的 server/controllers/recognize.js 文件，首先調(diào)用了 multiparty 從請求體中讀取出上傳上來的音頻數(shù)據(jù)，接著對語音的類型進行一些判斷。

...
const { files } = await resolveUploadFileFromRequest(ctx.req);
...
if (!resultType || !['audio/mpeg', 'audio/mp3'].includes(resultType.mime)) {
    throw new Error('上傳的文件格式不是 mp3')
}
...

第 46 行開始對音頻文件進行處理，首先先生成了 voiceId ， voiceId 告訴了語音識別接口每個語音分片屬于哪個語音，每個語音的 voiceId 應(yīng)當是唯一的。

接著調(diào)用了 convertMp3ToWav 函數(shù)對語音進行轉(zhuǎn)換， convertMp3ToWav 函數(shù)的實現(xiàn)如下：

/**
 * mp3 轉(zhuǎn) wav
 * @param {string} srcPath 源文件地址
 * @param {string} newPath 新文件地址
 */
function convertMp3ToWav (srcPath, newPath) {
    return new Promise((resolve, reject) => {
        ffmpeg(srcPath)
            .format('wav')
            .on('error', reject)
            .on('end', function () {
                resolve(newPath)
            })
            .save(newPath)
    })
}

由于每次識別的文件大小最好不要超過 10K byte，所以需要對音頻文件進行切片，原理就是將音頻文件讀取為 buffer，然后按每 9K byte 大小切片識別。

// 將文件讀取為 Buffer
const voiceBuffer = fs.readFileSync(newVoicePath);

const taskList = [];
let leftBufferSize = 0;
let idx = 0;

// 按 9K 大小切分分片并識別
while (leftBufferSize < voiceBuffer.length) {
    const newBufferSize = leftBufferSize + 9 * 1024;
    
    // 切分分片
    const chunk = voiceBuffer.slice(
        leftBufferSize,
        newBufferSize > voiceBuffer.length
            ? voiceBuffer.length
            : newBufferSize
    )
    
    // 提交每個切片去識別，并將任務(wù)推入任務(wù)列表
    taskList.push(
        voice.recognize(
            chunk,
            newBufferSize > voiceBuffer.length,
            voiceId,
            idx
        )
    );
    
    leftBufferSize = newBufferSize;
    idx++;
}

以上就是語音識別 Demo 代碼的分析，您可以直接運行 Demo，在手機端 真機調(diào)試 體驗。

注意：開發(fā)者工具的錄音接口返回的數(shù)據(jù)不是 MP3 格式，與真機行為不完全相同，所以錄音相關(guān)的測試請直接使用真機調(diào)試。