Convertire un file audio in testo tramite Python
Per trascrivere un file audio in formato wav in un testo con il linguaggio Python, utilizzo una combinazione di moduli.
- `pydub` è il modulo utilizzato per manipolare file audio (caricare, spezzare, esportare).
- `speech_recognition` è il modulo utilizzato per convertire l'audio in testo tramite il servizio di riconoscimento vocale di Google.
from pydub import AudioSegment
import speech_recognition as sr
# Carica il file audio
audio = AudioSegment.from_wav("/path/audio.wav")
# Definisci la lunghezza dei segmenti (es. 30 secondi)
segment_length = 30 * 1000 # in millisecondi
segments = [audio[i:i+segment_length] for i in range(0, len(audio), segment_length)]
recognizer = sr.Recognizer()
# Trascrivi ogni segmento
for i, segment in enumerate(segments):
segment.export(f"segment_{i}.wav", format="wav")
with sr.AudioFile(f"segment_{i}.wav") as source:
audio_data = recognizer.record(source)
try:
text = recognizer.recognize_google(audio_data, language='it-IT')
print(f"Segment {i}: {text}")
except sr.RequestError as e:
print(f"Errore nella trascrizione del segmento {i}: {e}")
except sr.UnknownValueError:
print(f"Non è stato possibile trascrivere il segmento {i}")
Il codice ha lo scopo di trascrivere un file audio in testo utilizzando il servizio Google Speech Recognition.
Tuttavia, se il file audio è troppo lungo, il codice lo spezza in segmenti più piccoli e li trascrive uno per uno per evitare problemi di connessione o timeout.
Nota. Dividere un file audio lungo in segmenti più piccoli è un approccio che aiuta a evitare errori legati alla dimensione del file o ai limiti di tempo delle richieste, migliorando la probabilità di successo della trascrizione. Ogni segmento viene processato e trascritto separatamente, e i risultati sono mostrati per ogni segmento.
Prima di eseguire il programma per la prima volta bisogna aver installato i moduli esterni.
In questo caso sto lavorando in ambiente Python 3.4. Qualsiasi altra versione superiore non dovrebbe dare problemi.
Per installarli basta digitare dal terminale
pip install --upgrade SpeechRecognition pydub
Il file audio deve essere disponibile in formato wav.
audio = AudioSegment.from_wav("/path/audio.wav")
Il codice carica il file audio WAV in un oggetto `AudioSegment` che permette di manipolare facilmente l'audio.
A questo punto il programma provvede alla divisione dell'audio in segmenti:
segment_length = 30 * 1000 # in millisecondi
segments = [audio[i:i+segment_length] for i in range(0, len(audio), segment_length)]
Il file audio viene spezzato in segmenti di 30 secondi (o un'altra durata a tua scelta). Ogni segmento è memorizzato in una lista `segments`.
Ogni segmento viene esportato come un file WAV temporaneo e caricato usando `speech_recognition`.
Il codice cerca di trascrivere l'audio in testo usando il servizio di Google.
Infine, il testo del segmento trascritto viene stampato a video.
for i, segment in enumerate(segments):
segment.export(f"segment_{i}.wav", format="wav")
with sr.AudioFile(f"segment_{i}.wav") as source:
audio_data = recognizer.record(source)
try:
text = recognizer.recognize_google(audio_data, language='it-IT')
print(f"Segment {i}: {text}")
except sr.RequestError as e:
print(f"Errore nella trascrizione del segmento {i}: {e}")
except sr.UnknownValueError:
print(f"Non è stato possibile trascrivere il segmento {i}")
Il codice gestisce eventuali errori di connessione (`RequestError`) o di riconoscimento vocale (`UnknownValueError`), così da continuare la trascrizione anche se un segmento non viene trascritto correttamente.
E per convertire i file MP3?
Se il file audio sorgente è in formato MP3, posso convertirlo in un file tempoeraneo WAV direttamente nel codice, prima dell'elaborazione.
Sostituisco la riga di codice
audio = AudioSegment.from_wav("audio.wav")
con la seguente che legge il file MP3 e lo converte in WAv
audio = AudioSegment.from_mp3(audio_path)
audio.export("audio.wav", format="wav")
In alternativa, dal terminale posso convertire manualmente il file MP3 in WAV usando FFMEG
ffmpeg -i audio.mp3 -ar 16000 -ac 1 audio.wav
E se il file sorgente è un video?
Anche in questo caso mi basta estrarre l'audio in formato WAV dal video tramite FFMEG
Ad esempio, ecco il comando per estrarre l'audio da un file video WEBM.
ffmpeg -i nome_del_video.webm -vn -acodec pcm_s16le -ar 44100 -ac 2 audio.wav
Versione migliorata
Questa versione migliora l'overlap, evita che le frasi vengano interrotte a metà parola.
Per evitare che le frasi vengano interrotte a metà parola, i segmenti sono ora tagliati con un piccolo margine di sovrapposizione (es. 700 - 1200 ms).
audio_path = r"C:\temp\audio.wav"
from pydub import AudioSegment, effects
import speech_recognition as sr
# Parametri
LANG = "en-US" # oppure "en-US"/"en-GB"
SEGMENT_MS = 20_000
OVERLAP_MS = 700 # evita di troncare parole
# Carica WAV (ok senza ffmpeg) e fai un po' di pulizia base
audio = AudioSegment.from_wav(audio_path)
audio = audio.set_channels(1).set_frame_rate(16000)
audio = effects.normalize(audio)
# Segmenti con overlap
step = max(1, SEGMENT_MS - OVERLAP_MS)
segments = [audio[i:i + SEGMENT_MS] for i in range(0, len(audio), step)]
recognizer = sr.Recognizer()
for i, segment in enumerate(segments):
# >>> NIENTE export(): creiamo AudioData direttamente dalla memoria <<<
raw = segment.raw_data
sample_rate = segment.frame_rate
sample_width = segment.sample_width # in bytes
audio_data = sr.AudioData(raw, sample_rate, sample_width)
try:
text = recognizer.recognize_google(audio_data, language=LANG)
print(text)
except sr.RequestError as e:
print(f"Errore nella trascrizione del segmento {i}: {e}")
except sr.UnknownValueError:
print(f"Non è stato possibile trascrivere il segmento {i}")
Alcuni consigli utili:
Se il programma “mangia” ancora troppe parole ai bordi dei segmenti, è utile portare il parametro OVERLAP_MS a 900 - 1200 ms.
Se, invece, l’audio è basso o rumoroso, la normalize() aiuta; in casi è utile aumenta il volume dell’audio di +3 decibel (dB) con il comando audio = audio.apply_gain(+3).
E così via.
