ESP32S3 Sense接入百度在线语音识别
前言
本文使用Seeed XIAO ESP32S3 Sense开发板接入百度智能云实现在线语音识别。自带麦克风模块用做语音输入，通过串口发送字符“1”来控制数据的采集和上传。
步骤概括
- 在百度云控制端选择“语音识别”并创建应用获取API Key和Secret Key获取token
- 采集音频数据，将数据打包成规定的格式，POST发送到请求API
- 接收返回的识别数据
这是教程中使用的ESP32S3官方硬件👍👍👍（小小的身材有大大的力量）只需要35元加摄像头麦克风79元。有需要可以购买xiao开发板💕💕💕，SeeedXIAO ESP32S3 Sense硬件购买地址：
操作流程
创建语音识别应用
登录百度云账号，选择语音识别
官网地址：https://ai.baidu.com/tech/speech
新用户可以直接领取资源，也可付费接入，创建应用。
根据创建应用生成的API Key和Secret Key来获取token，创建好应用，点管理应用，会有API Key和Secret Key，如下图应用创建成功
API密钥创建
点击在线调试
按照如下顺序选择
有了API Key和Secret Key就可以得到token，下面附上ESP32进行get请求得到token的代码
access_token对应的值就是可用的token了，每次申请的token有效期为30天，过期需要重新申请，可以申请多个。不用每次都调用获取token的程序，申请一个可以用30天，定时更新就可以吧。
JSON语音接入
采集数据，POST发送到请求API数据上传 POST 方式有 2 种：JSON 格式和RAW 格式。
JSON格式
这里介绍使用使用JSON格式上传的方式，下图为JSON格式上传的一些必要的参数说明
ESP32S3 Sense接入代码
图中对数据类型和内容说的很明确了，只需要按照这个格式打包好数据然后发送就行，下面是ESP32的具体实现代码。
#include <Arduino.h>
#include "base64.h"
#include "WiFi.h"
#include "HTTPClient.h"
#include "cJSON.h"
#include <I2S.h>
#include <ArduinoJson.h>
// #define key 4 //端口0
// #define ADC 2 //端口39
// #define led 15 //端口2
const int buttonPin = 1; // the number of the pushbutton pin
const int ledPin = 21; // the number of the LED pin
HTTPClient http_client;
// 1. Replace with your network credentials
const char* ssid = "J09 502";
const char* password = "qwertyuiop111";
hw_timer_t* timer = NULL;
#define data_len 16000
uint16_t adc_data[data_len]; //16000个数据，8K采样率，即2秒，录音时间为2秒，想要实现更长时间的语音识别，就要改这个数组大小
//和下面data_json数组的大小，改大一些。
uint8_t adc_start_flag = 0; //开始标志
uint8_t adc_complete_flag = 0; //完成标志
char data_json[45000]; //用于储存json格式的数据,大一点,JSON编码后数据字节数变成原来的4/3,所以得计算好,避免出现越界
void IRAM_ATTR onTimer();
void gain_token(void);
void setup() {
//Serial.begin(921600);
Serial.begin(115200);
// pinMode(ADC, ANALOG);
// pinMode(buttonPin, INPUT_PULLUP);
pinMode(ledPin, OUTPUT);
// start I2S at 16 kHz with 16-bits per sample
I2S.setAllPins(-1, 42, 41, -1, -1);
if (!I2S.begin(PDM_MONO_MODE, 16000, 16)) {
Serial.println("Failed to initialize I2S!");
while (1)
; // do nothing
}
uint8_t count = 0;
WiFi.mode(WIFI_STA);
WiFi.begin(ssid, password);
while (WiFi.status() != WL_CONNECTED) {
Serial.print(".");
count++;
if (count >= 75) {
Serial.printf("\r\n-- wifi connect fail! --");
break;
}
vTaskDelay(200);
}
Serial.printf("\r\n-- wifi connect success! --\r\n");
// gain_token();
timer = timerBegin(0, 80, true); // 80M的时钟 80分频 1M
timerAlarmWrite(timer, 125, true); // 1M 计125个数进中断 8K
timerAttachInterrupt(timer, &onTimer, true);
timerAlarmEnable(timer);
timerStop(timer); //先暂停
}
uint32_t time1, time2;
void loop() {
if (Serial.available() > 0) //按键按下
{
if (Serial.read() == '1') {
Serial.printf("Start recognition\r\n\r\n");
digitalWrite(ledPin, HIGH);
adc_start_flag = 1;
timerStart(timer);
// time1=micros();
while (!adc_complete_flag) //等待采集完成
{
ets_delay_us(10);
}
// time2=micros()-time1;
timerStop(timer);
adc_complete_flag = 0; //清标志
digitalWrite(ledPin, LOW);
// Serial.printf("time:%d\r\n",time2); //打印花费时间
memset(data_json, '\0', strlen(data_json)); //将数组清空
strcat(data_json, "{");
strcat(data_json, "\"format\":\"pcm\",");
strcat(data_json, "\"rate\":16000,"); //采样率 如果采样率改变了，记得修改该值，只有16000、8000两个固定采样率
strcat(data_json, "\"dev_pid\":1537,"); //中文普通话
strcat(data_json, "\"channel\":1,"); //单声道
strcat(data_json, "\"cuid\":\"666666\","); //识别码 随便打几个字符，但最好唯一
strcat(data_json, "\"token\":\"24.8f6133335e191.2592000.1713789066.282335-57722200\","); //token 这里需要修改成自己申请到的token
strcat(data_json, "\"len\":32000,"); //数据长度 如果传输的数据长度改变了，记得修改该值，该值是ADC采集的数据字节数，不是base64编码后的长度
strcat(data_json, "\"speech\":\"");
strcat(data_json, base64::encode((uint8_t*)adc_data, sizeof(adc_data)).c_str()); //base64编码数据
strcat(data_json, "\"");
strcat(data_json, "}");
// Serial.println(data_json);
int httpCode;
http_client.setTimeout(5000);
http_client.begin("http://vop.baidu.com/server_api"); //https://vop.baidu.com/pro_api
http_client.addHeader("Content-Type", "application/json");
httpCode = http_client.POST(data_json);
if (httpCode == 200) {
if (httpCode == HTTP_CODE_OK) {
String response = http_client.getString();
http_client.end();
Serial.println(response);
// Parse JSON response
DynamicJsonDocument jsonDoc(512);
deserializeJson(jsonDoc, response);
String outputText = jsonDoc["result"][0];
// 访问"result"数组，并获取其第一个元
// 输出结果
Serial.println(outputText);
} else {
Serial.printf("[HTTP] GET... failed, error: %s\n", http_client.errorToString(httpCode).c_str());
}
}
// while (!digitalRead(buttonPin))
// ;
Serial.printf("Recognition complete\r\n");
}
}
vTaskDelay(1);
}
uint32_t num = 0;
portMUX_TYPE timerMux = portMUX_INITIALIZER_UNLOCKED;
void IRAM_ATTR onTimer() {
// Increment the counter and set the time of ISR
portENTER_CRITICAL_ISR(&timerMux);
if (adc_start_flag == 1) {
//Serial.println("");
// adc_data[num] = analogRead(ADC);
adc_data[num] = I2S.read();
num++;
if (num >= data_len) {
adc_complete_flag = 1;
adc_start_flag = 0;
num = 0;
//Serial.println(Complete_flag);
}
}
portEXIT_CRITICAL_ISR(&timerMux);
}
// void gain_token(void) //获取token
// {
// int httpCode;
// //注意，要把下面网址中的your_apikey和your_secretkey替换成自己的API Key和Secret Key
// http_client.begin("https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=your_apikey&client_secret=your_secretkey");
// httpCode = http_client.GET();
// if (httpCode > 0) {
// if (httpCode == HTTP_CODE_OK) {
// String payload = http_client.getString();
// Serial.println(payload);
// }
// } else {
// Serial.printf("[HTTP] GET... failed, error: %s\n", http_client.errorToString(httpCode).c_str());
// }
// http_client.end();
// }
ESP32接入代码
使用ESP32接入百度智能云实现在线语音识别，max9814麦克风模块接GPIO2用做语音输入，一个按键接GPIO3来控制数据的采集和上传
#include <Arduino.h>
#include "base64.h"
#include "WiFi.h"
#include "HTTPClient.h"
#include "cJSON.h"
#include <ArduinoJson.h>
// 1、修改按键和max9814接口
#define key 3
#define ADC 2
// 2、修改百度语言技术的用户信息：https://console.bce.baidu.com/ai/?fromai=1#/ai/speech/app/list
const int DEV_PID = 1537;
const char *CUID = "577200";
const char *CLIENT_ID = "BXL2YS33B7Xw5XDq";
const char *CLIENT_SECRET = "pb2zIW2Nch2uNtc9WPK4eKX";
String token;
// 全局变量声明
HTTPClient http_client;
hw_timer_t *timer = NULL;
const int recordTimeSeconds = 3;//录音时间秒为单位
const int adc_data_len = 16000 * recordTimeSeconds;
const int data_json_len = adc_data_len * 2 * 1.4;
uint16_t *adc_data;
char *data_json;
uint8_t adc_start_flag = 0;
uint8_t adc_complete_flag = 0;
uint32_t num = 0;
portMUX_TYPE timerMux = portMUX_INITIALIZER_UNLOCKED;
// 函数声明
void IRAM_ATTR onTimer();
String gainToken();
void assembleJson(String token);
void sendToSTT();
void setup() {
Serial.begin(115200);
pinMode(ADC, ANALOG);
pinMode(key, INPUT_PULLUP);
WiFi.disconnect(true);
// 3、填写您的wifi账号密码
WiFi.begin("J09 502", "qwertyuiop111");
while (WiFi.status() != WL_CONNECTED) {
Serial.print(".");
vTaskDelay(200);
}
Serial.println("\n-- wifi connect success! --");
token = gainToken();
timer = timerBegin(0, 40, true);
timerAlarmWrite(timer, 125, true);
timerAttachInterrupt(timer, &onTimer, true);
timerAlarmEnable(timer);
timerStop(timer); // 先暂停
// 动态分配PSRAM
adc_data = (uint16_t *)ps_malloc(adc_data_len * sizeof(uint16_t));
if (!adc_data) {
Serial.println("Failed to allocate memory for adc_data");
}
data_json = (char *)ps_malloc(data_json_len * sizeof(char)); // 根据需要调整大小
if (!data_json) {
Serial.println("Failed to allocate memory for data_json");
}
}
uint32_t time1, time2;
void loop() {
if (digitalRead(key) == 1) {
delay(10);
if (digitalRead(key) == 1) {
Serial.println("开始录音");
adc_start_flag = 1;
timerStart(timer);
while (!adc_complete_flag) {
ets_delay_us(10);
}
Serial.println("录音结束");
timerStop(timer);
adc_complete_flag = 0;
assembleJson(token);
sendToSTT();
// while (!digitalRead(key));
Serial.println("Recognition complete");
}
}
}
void assembleJson(String token) {
memset(data_json, '\0', data_json_len * sizeof(char));
strcat(data_json, "{");
strcat(data_json, "\"format\":\"pcm\",");
strcat(data_json, "\"rate\":16000,");
strcat(data_json, "\"dev_pid\":1537,");
strcat(data_json, "\"channel\":1,");
strcat(data_json, "\"cuid\":\"57722200\",");
strcat(data_json, "\"token\":\"");
strcat(data_json, token.c_str());
strcat(data_json, "\",");
sprintf(data_json + strlen(data_json), "\"len\":%d,", adc_data_len * 2);
strcat(data_json, "\"speech\":\"");
strcat(data_json, base64::encode((uint8_t *)adc_data, adc_data_len * sizeof(uint16_t)).c_str());
strcat(data_json, "\"");
strcat(data_json, "}");
}
void sendToSTT() {
http_client.begin("http://vop.baidu.com/server_api");
http_client.addHeader("Content-Type", "application/json");
int httpCode = http_client.POST(data_json);
if (httpCode > 0) {
if (httpCode == HTTP_CODE_OK) {
String payload = http_client.getString();
Serial.println(payload);
}
} else {
Serial.printf("[HTTP] POST failed, error: %s\n", http_client.errorToString(httpCode).c_str());
}
http_client.end();
}
void IRAM_ATTR onTimer() {
// Increment the counter and set the time of ISR
portENTER_CRITICAL_ISR(&timerMux);
if (adc_start_flag == 1) {
// Serial.println("");
adc_data[num] = analogRead(ADC);
num++;
if (num >= adc_data_len) {
adc_complete_flag = 1;
adc_start_flag = 0;
num = 0;
// Serial.println(Complete_flag);
}
}
portEXIT_CRITICAL_ISR(&timerMux);
}
String gainToken() {
HTTPClient http;
String token;
String url = String("https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=") + CLIENT_ID + "&client_secret=" + CLIENT_SECRET;
http.begin(url);
int httpCode = http.GET();
if (httpCode > 0) {
String payload = http.getString();
DynamicJsonDocument doc(1024);
deserializeJson(doc, payload);
token = doc["access_token"].as<String>();
Serial.println(token);
} else {
Serial.println("Error on HTTP request for token");
}
http.end();
return token;
}
上面代码是将数据拼接成要求的JSON的格式并通过POST的方式发送到请求API，并接收打印返回的数据消息。使用的定时器设置成8K频率定时采集音频数据，上面代码中并未展示，后面会附上完整代码。
ESP32是有JSON库的，在 “cJSON.h” 头文件中，但是我没有用，因为我发现数据太长时会出现莫名其妙的错误，因此使用函数strcat()将数据拼接成规定的格式，虽然写的时候麻烦一些，但确实可用。
POST发送数据有一个固定头部：Content-Type:application/json，POST前需要设置一下。
接收数据
参考以下烧录配置，
串口输入字符“1”，点击按回车键，然后有2s录音时间。等待百度在线语音识别返回，在上一步的代码中实现了接收数据，这里列一下返回的数据。
22:04:58.854 -> Start recognition
22:04:58.854 ->
22:05:01.558 -> {"corpus_no":"7349559668823131804","err_msg":"success.","err_no":0,"result":["你好。"],"sn":"922395388061711202708"}
22:05:01.558 ->
22:05:01.558 -> 你好。
22:05:01.558 -> Recognition complete
22:08:46.838 -> Start recognition
22:08:46.838 ->
22:08:49.809 -> {"corpus_no":"7349560648200206506","err_msg":"success.","err_no":0,"result":["你知道百度吗？"],"sn":"497775464181711202936"}
22:08:49.809 ->
22:08:49.809 -> 你知道百度吗？
22:08:49.809 -> Recognition complete
22:08:54.218 -> Start recognition
22:08:54.218 ->
22:08:57.084 -> {"corpus_no":"7349560678205790969","err_msg":"success.","err_no":0,"result":["我喜欢小黄人。"],"sn":"748488478211711202943"}
22:08:57.084 ->
22:08:57.084 -> 我喜欢小黄人。
22:08:57.084 -> Recognition complete
数据发送成功则会返回正确的识别数据，当然声音信号不好时返回的语音识别也会不准确。
总结
本文使用Seeed XIAO ESP32S3 Sense开发板接入百度智能云实现在线语音识别。将自带麦克风模块用做语音输入，通过串口发送字符“1”来控制数据的采集和上传。从而实现对外部世界进行感知，充分认识这个有机与无机的环境。
技术支持和产品讨论
感谢您选择我们的产品!我们在这里为您提供不同的支持，以确保您使用我们产品的体验尽可能顺畅。我们提供多种沟通渠道，以满足不同的喜好和需求。