依图语音API的C#封装以及调用进行语音转写的处理

对于语音识别，一般有实时语音识别和语音文件的识别处理等方式，如在会议、培训等场景中，可以对录制的文件进行文字的转录，对于转录文字的成功率来说，如果能够转换90%以上的正确语音内容，肯定能减轻很多相关语音文本编辑的繁琐工作，而目前大多数语音转录的接口基本都能够保证在这个成功率上，有些甚至超过98%以上，非常不错，因为他们对于各种场景的滤波，可以更加提供文字的准确性。本篇随笔对各种语音开发平台做一个介绍，并针对依图语音API的C#封装以及调用进行语音转写进行介绍。

1、语音识别的接口提供商及API情况

语音识别有很多提供商，如常见的百度、阿里云、依图语音等，他们都提供了不同的API接口来实现外部的调用处理，本篇随笔主要针对依图语音（号称能够识别99%以上的智能转录）进行测试，对于其他类型的语音API，由于接口处理方式大同小异，并没有一一测试。

1）百度语音转录

2）阿里云语音转录

3）依云语音开发平台

对于短语音的测试，依图语音的转录基本上在98%以上，偶尔有一两个词语文字因为不常见而出错而已，非常不错。

由于依图语音平台虽然提供了Java的案例代码，但是没有对应C #API调用案例，因此需要根据接口的说明进行转换。

对于依图语音的API说明，还是介绍的比较详细的，如下所示。

一般根据这些很容易编写对应的接口API封装函数，我这里主要用来封装对应的C#调用API。

2、基于依图语音API的C#封装

我们针对API进行了封装，然后在界面上进行测试对应的功能，如下Winform界面测试所示。

一个短句，发现一个错误的字，不过整体效果还是比较好，断句以及内容都算很好的。

这个项目分为三部分，第一是对请求接口数据和返回数据的对象封装（简称DTO对象），第二是对依图长语音和短语音接口的API接口封装，包括授权信息的处理；长语音转写的任务创建、任务查询、任务停止几个部分；以及短语音的转写处理。第三是Winform界面的功能测试和日志处理操作，方便了解功能的实际处理情况。

【创建长语音转录任务】主要用于演示如何生成签名并调用接口创建转写任务的操作，操作后提示是否成功，并记录下任务ID，供查询任务或停止任务使用。同时在日志和文本框里面生成相关的JSON数据信息，日志在运行目录的log/log.txt中记录。

对于依图语音转换来说，我们一般使用异步的处理方式，所以更好的是等待任务处理完后回调告诉我们处理结果更好，因此适合于部署Web API的应用，用于让依图语音平台的服务器进行回调处理结果。

首先第一步我们需要处理API的授权签名，用于后续接口的调用，我们可以根据签名的规则进行编写代码即可。

    /// <summary>
    /// 签名处理
    /// </summary>
    public class SignatureHelper
    {
        /// <summary>
        /// 生成授权签名信息
        /// </summary>
        /// <param name="data"></param>
        /// <param name="key"></param>
        /// <returns></returns>
        public static string CalculateRFC2104HMAC(string data, string key)
        {
            key = key ?? "";
            var encoding = new System.Text.UTF8Encoding();
            byte[] keyByte = encoding.GetBytes(key);
            byte[] messageBytes = encoding.GetBytes(data);
            using (var hmacsha256 = new HMACSHA256(keyByte))
            {
                byte[] hashmessage = hmacsha256.ComputeHash(messageBytes);
                StringBuilder builder = new StringBuilder();
                for (int i = 0; i < hashmessage.Length; i++)
                {
                    builder.Append(hashmessage[i].ToString("x2"));
                }
                return builder.ToString();
            }
        }

        /// <summary>
        /// 生成请求授权信息
        /// </summary>
        /// <returns></returns>
        public static AuthRequestDto GetAuthDto()
        {
            var builder = new ConfigurationBuilder()
               .SetBasePath(Directory.GetCurrentDirectory())
               .AddJsonFile("appsettings.json", true, reloadOnChange: true);
            var config = builder.Build();

            //读取配置
            var DevId = config["YITU:DevId"];
            var DevKey = config["YITU:DevKey"];

            var dto = new AuthRequestDto();
            dto.DevId = DevId;
            dto.Timestamp = DateTime.Now.DateTimeToInt();

            var accessKey = DevKey;
            var signKey = dto.DevId + dto.Timestamp; //签名加密键
            dto.Signature = SignatureHelper.CalculateRFC2104HMAC(signKey, accessKey);

            return dto;
        }

        /// <summary>
        /// 对请求的HttpClient设置相关的授权请求Header信息
        /// </summary>
        /// <param name="client"></param>
        /// <param name="dto"></param>
        public static void SetSigature(HttpClient client, AuthRequestDto dto)
        {
            client.DefaultRequestHeaders.Add("x-dev-id", dto.DevId);
            client.DefaultRequestHeaders.Add("x-request-send-timestamp", dto.Timestamp.ToString());
            client.DefaultRequestHeaders.Add("x-signature", dto.Signature);

            client.DefaultRequestHeaders.Add("Date", DateTime.Now.AddHours(-8).ToString("R"));
        }
    }

这个按钮功能，主要测试一下使用辅助类生成的授权认证信息，授权认证信息是根据加密规则构建的签名信息和账号信息。

这个主要是演示辅助类生成签名，并获得的数据信息：

然后我们定义一个控制器，用于接收依图语音的服务器API回调处理，用于记录转换的结果内容。

namespace CallBackApi.Controllers
{
    /// <summary>
    /// 用于接收长语音信息回调的处理
    /// </summary>
    [ApiController]
    [Route("[controller]")]
    public class LongVoiceController : ControllerBase

在控制器中编写存储的逻辑，写入数据库。

        /// <summary>
        /// 回调写入结果, 路由:post /longvoice
        /// </summary>
        /// <param name="input"></param>
        /// <returns></returns>
        [HttpPost]
        public async Task<CommonResultDto> CallBack(LongVoiceResultDto input)
        {
            CommonResultDto result = null;
            var json = JsonConvert.SerializeObject(input, Formatting.Indented);
            _logger.LogInformation(json);

            try
            {
                var helper = new LongVoiceDbHelper();
                var bResult = await helper.SaveData(input);
                result = new CommonResultDto(0, bResult ? "操作成功" : "操作失败");
            }
            catch(Exception ex)
            {
                result = new CommonResultDto(1, ex.Message);
                _logger.LogError(ex, ex.Message);
            }

            return result;
        }

我们根据依图语音的对象模型，构建对应的对象信息属性，然后保存起来即可。

        /// <summary>
        /// 保存数据到数据库
        /// </summary>
        /// <param name="dto"></param>
        /// <returns></returns>
        public async Task<bool> SaveData(LongVoiceResultDto dto)
        {
            bool result = false;
            if(dto != null)
            {
                using(var db = CreateDb())
                {
                    var info = new ConsultationInfo();
                    info.DiscernStatus = dto.taskId;
                    info.OperateStatus = "未识别";
                    if (dto.data != null && dto.data.speechResult != null)
                    {
                        if (dto.data.statusCode == 3)
                        {
                            info.OperateStatus = "已识别";
                        }
                        var speechResult = dto.data.speechResult;
                        info.DiscernText = speechResult.resultText;
                    }

                    result = await db.Insertable(info).ExecuteCommandAsync() > 0;
                }
            }
            return result;
        }

回调接口主要用于长语音任务执行完成后，服务器的回调处理，我这里使用.net core5的Web API项目来处理，通过使用Restful规则的API控制处理，接收服务器的回调数据请求，并把请求数据记录数据库或者在log/log.txt文件中。

我们先发起语音转录请求，如下代码所示。

       private LongVoiceRequestDto GetVoice1()
        {
            var input = new LongVoiceRequestDto()
            {
                audioUrl = "https://www.***.com/downloads/iqidi.mp3", //语音文件
                callback = "http://www.***.com:8080/longvoice", //回调地址
                fileData = new FileData
                {
                    aue = "mpeg2",
                    audioName = "iqidi.mp3",
                    sampleRateHertz = 16000,
                    lang = "MANDARIN"
                },
                speechConfig = new SpeechConfig
                {
                    scene = "GENERAL",
                    byWords = true,
                    customWords = new List<string>()
                    {
                        //"开发框架提供商",
                        //"广州爱奇迪软件科技有限公司"
                    },
                    useCustomWordsIds = new List<int>()
                    {
                    },
                    addPunctuation = true,
                    wordsReplace = true,
                    numOfSpeakers = 1,
                    convertNumber = true,
                    //disfluency = true
                },
                wordsReplace = new List<WordsReplace>()
                {
                    new WordsReplace()
                    {
                         keywords = "他妈的",
                         replace = "*"
                    },
                    new WordsReplace()
                    {
                        keywords = "破坏",
                        replace = "##"
                    }
                }
            };
            return input;
        }

对于长语音的转换，我们只是发起请求，有时候需要等待一点时间，服务器才会根据请求的回调地址进行会写操作的。发起长语音的请求如下代码所示。

        private async void btnTransfer_Click(object sender, EventArgs e)
        {
            try
            {
                var input = this.radSmall.Checked ? GetVoice1() : GetVoice2();
                var result = await longApi.Transfer(input);
                if (result != null)
                {
                    this.txtTaskId.Text = result.taskId;//任务ID，可供查询，停止
                    MessageUtil.ShowTips($"任务创建{(result.rtn == 0 ? "成功" : "异常：" + result.message)}，任务ID：{result.taskId}");
                }

                var json = JsonConvert.SerializeObject(result, Formatting.Indented);
                this.richLog.AppendText(json);
                this.richLog.AppendText(Environment.NewLine);
                Serilog.Log.Information(json);
            }
            catch(Exception ex)
            {
                MessageUtil.ShowError(ex.Message);
            }
        }

回调接口主要用于长语音任务执行完成后，服务器的回调处理。

而如果是短语音转写，就和我们前面说到的一样，马上就可以出结果了。

        private async void btnShort_Click(object sender, EventArgs e)
        {
            try
            {
                var input = GetShortVoice();
                var result = await shortApi.Transfer(input);
                if (result != null)
                {
                    MessageUtil.ShowTips($"短语音听写, 操作{(result.rtn == 0 ? "成功" : "异常：" + result.message)}");
                }

                var json = JsonConvert.SerializeObject(result, Formatting.Indented);
                this.richLog.AppendText(json);
                this.richLog.AppendText(Environment.NewLine);
                Serilog.Log.Information(json);
            }
            catch (Exception ex)
            {
                MessageUtil.ShowError(ex.Message);
            }
        }

我们只需要把返回的结果信息，转换为相关的模型对象，然后进行显示或者存储即可完成。

项目可以通过VS发布方式发布一个文件包，部署到服务器上即可。

配置项目后台一直运行。

以上就是关于依图语音的测试处理，对应后端的回调处理，我们可以转录长语音文件，不过依图语音平台对于身份的审核比较严格，也是收费的API（其他阿里、百度也都是），因此在商用的时候，需要考虑好即可。