之前老婆他们单位开会比较多，有一些会议时间比较长，而且会议的内容需要去回顾，所以基本上会议都进行了录音。但回顾录音往往是一个很痛苦的过程，基本上很难定位重点的内容位于录音的哪一部分，再加上有时候有一些现场讨论的情况， 听一次录音比开一次会的时间还要长。
最开始有这种问题的时候，我在网上找了几个做音频文件转文字的软件，要不就是收费太贵，要不就是只支持1分钟的试用，好不容易找到一个勉强能用的，准确率还不太高。不过总算能满足一部分的需求。
昨天老婆又拿回来一个4个小时的音频文件，说要转换成文字。在电脑上翻了翻，之前那个软件已经没办法用了，微信小程序和网上都找不到几个靠谱的，倒是各大云平台服务商推的云平台服务不少，翻了翻发现腾讯的语音识别服务离线语音文件9.9元60个小时，秉承着9.9买不了吃亏，9.9买不了上当的理念，就准备自己整一个试试。
(之前用过百度的OCR和识图API，每天有一定的免费次数，不确定其他服务是不是也有免费试用的次数，其他的云平台也可以多了解下，薅下羊毛。)
订单列表
购买完成后，发现可使用的资源包里面还有一些赠送的资源，不过是一个月之内到期的。
资源包详情
三、购买成功之后，在云产品——语音识别当中，可以看到需要的接口文档
接口文档
四、调用接口还需要腾讯云平台的SecretId和SecretKey两个信息在个人头像——访问管理——访问秘钥——API秘钥管理当中创建
SecretId和SecretKey的获取
创建好的SecretId和SecretKey
五、根据API文档调用接口接口文档地址为https://cloud.tencent.com/document/product/1093/37823，这里面有个比较坑的地方，上传的录音文件有两个途径传给云平台：
1.通过网络URL地址，前提是你的文件在网络上有个可以公开访问的URL，这里限制文件小于512M，市场小于5个小时
2.通过请求体直接发，限制文件小于5M（我就想问，5M能放点啥）
参数要求
由于我手头上的文件是4个多小时，140多M，我自认没信心把它能压缩到5M以内，于是抛弃第二种方式。
开始的时候想把文件放到云盘或者网盘上面，看了一圈发现没有哪个云盘和网盘上传上去后能直接访问的，要么是要登录，要么是要输入提取码的。
最后没办法，在我的一台华为云的ECS上装了个nginx，做了一个简单的文件服务器，把文件传到服务器上，才获取了一个可以直接访问录音文件的URL
简单的文件服务器
调用的方式倒是比较简单，参照文档上的接口参数列表，以及github上的调用示例，或者腾讯云提供的API Explorer工具进行，我用的Python版本的。
接口文档示例
API Explorer示例
github上调用说明
参考地址：
录音文件转文字API地址：https://cloud.tencent.com/document/product/1093/37823
API Explorer地址：https://console.cloud.tencent.com/api/explorer?Product=asr&Version=2019-06-14&Action=CreateRecTask&SignVersion=
Python调用腾讯云平台介绍：https://cloud.tencent.com/document/sdk/Python
github上腾讯云平台API及文档：https://github.com/TencentCloud/tencentcloud-sdk-python
六、具体代码前期工作做完之后，代码其实比较简单，主要使用两个接口，一个发送转换的任务，另一个查询转换任务的结果
1.提交转换任务
import json
from tencentcloud.common import credential
from tencentcloud.common.exception.tencent_cloud_sdk_Exception import TencentCloudSDKException
from tencentcloud.asr.v20190614 import asr_client, models
try:
# cred = credential.EnvironmentVariableCredential().get_credential()
cred = credential.Credential("你的SecretId", "你的SecretKey")
client = asr_client.AsrClient(cred, "ap-shanghai")
req = models.CreateRecTaskRequest()
params = {
"Action": "CreateRecTask",
"Version": "2019-06-14",
"EngineModelType": "16k_zh",
"ChannelNum": 1,
"ResTextFormat": 0,
"SourceType": 0,
"Url": "http://*****你的网络地址*******/files/chen.m4a"
}
req.from_json_string(json.dumps(params))
resp = client.CreateRecTask(req)
print(resp.to_json_string())
except TencentCloudSDKException as err:
print(err)
本来api上说可以通过配置环境变量的方式，增加TENCENTCLOUD_SECRET_ID和TENCENTCLOUD_SECRET_KEY两个值，然后通过cred = credential.EnvironmentVariableCredential().get_credential()初始化，但我试了下初始化失败，没弄清问题在哪里，就直接写死了两个值进行初始化。
2.查询转换结果
import json
from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import clientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.common.exception.tencent_cloud_sdk_exception import TencentCloudSDKException
from tencentcloud.asr.v20190614 import asr_client, models
try:
cred = credential.Credential("你的SecretId", "你的SecretKey")
httpProfile = HttpProfile()
httpProfile.endpoint = "asr.tencentcloudapi.com"
clientProfile = ClientProfile()
clientProfile.httpProfile = httpProfile
client = asr_client.AsrClient(cred, "", clientProfile)
req = models.DescribeTaskStatusRequest()
params = {
"Action": "DescribeTaskStatus",
"Version": "2019-06-14",
"TaskId": 你的任务id，这个值是上个接口返回的信息中的
}
req.from_json_string(json.dumps(params))
resp = client.DescribeTaskStatus(req)
print(resp.to_json_string())
except TencentCloudSDKException as err:
print(err)
首先执行了第一个方法，返回了任务
{"Data": {"TaskId": *********}, "RequestId": "*******************"}
我在这里用*号代替，实际上会返回具体的数值
然后执行第二个方法，会返回状态码0，状态waiting（可能需要1个多小时），实际执行的时间我也不太清楚，因为并没有加轮训或者回调，过了6、7个小时候想起来再跑了一遍第二个方法，发现已经执行完成了（实际执行时间应该没这么久）。
附带一部分的执行结果（实际的返回值当中是有\n换行符的，放到word里面需要手动替换成^p换行符）
部分转换结果
用word统计了下，4个多小时的语音文件转换了6w多字，准确性基本上OK，就是那个“学琴”我也不懂是啥意思，可能是口音比较重，没转换成功。
字数
转换参数当中其实还有一些可选项，可以进行转换调优，比如：
是否开启说话人分离、说话人分离人数、是否进行阿拉伯数字智能转换、是否过滤脏词、是否过滤标点符号、是否过滤语气词等等
转换完成后看了下资源包，优先扣的是赠送的那部分资源，也就是买的60个小时还在。后期考虑自己写个简单的GUI界面，使用方便一点，再加上自动上传音频文件的功能就完美了。
还是自己调API转换比便宜，质量还有保障。
,
