在VR場景中我想把語音轉(zhuǎn)為文字，使用起來更高大上一點兒，于是，我翻遍了目前用的比較多的集中SDK：科大訊飛，百度語音，微軟TTS，親加通訊

其中，親加通訊和百度的SDK主要是面對移動端，TTS主要面對Windows，科大訊飛移動端桌面端都有。
我是想用到Oculus中的，所以要選用windows，然后困難就來了。。

訊飛的桌面SDK是用C語言寫的，想用到unity里面對于我這種一點兒C都不會的太難了，TTS沒怎么研究，但是感覺蠻復(fù)雜的，然后經(jīng)過我百般摸索，發(fā)現(xiàn)百度語音不光有移動端，還有REST，使用HTTP請求來使用的，不限平臺！

于是，我就決定采用百度的REST方式來實現(xiàn)語音轉(zhuǎn)為文字。

這個是使用文檔 自己看一下，下面我們直接上代碼

在unity中新建一個腳本

private string token;                           //access_token
private string cuid = "你自己隨便寫一個用戶標(biāo)識";        //用戶標(biāo)識
private string format = "wav";                  //語音格式
private int rate = 8000;                        //采樣率
private int channel = 1;                        //聲道數(shù)
private string speech;                          //語音數(shù)據(jù)，進行base64編碼
private int len;                                //原始語音長度
private string lan = "zh";                      //語種
 
private string grant_Type = "client_credentials";  
private string client_ID = "你的百度appkey";                       //百度appkey
private string client_Secret = "你的百度SecretKey";                   //百度Secret Key
 
private string baiduAPI = "http://vop.baidu.com/server_api";
private string getTokenAPIPath = "https://openapi.baidu.com/oauth/2.0/token";
 
private Byte[] clipByte;
 
/// <summary>
/// 轉(zhuǎn)換出來的TEXT
/// </summary>
public static string audioToString;
 
private AudioSource aud;
private int audioLength;//錄音的長度

以上是需要聲明的變量。其中AppID和SecretKey需要你注冊成為百度的開發(fā)者，然后再應(yīng)用管理中去看
繼續(xù)代碼：

/// <summary>
/// 獲取百度用戶令牌
/// </summary>
/// <param name="url">獲取的url</param>
/// <returns></returns>
private IEnumerator GetToken(string url)
{
    WWWForm getTForm = new WWWForm();
    getTForm.AddField("grant_type", grant_Type);
    getTForm.AddField("client_id", client_ID);
    getTForm.AddField("client_secret", client_Secret);
 
    WWW getTW = new WWW(url, getTForm);
    yield return getTW;
    if (getTW.isDone)
    {
        if (getTW.error == null)
        {
            token = JsonMapper.ToObject(getTW.text)["access_token"].ToString();
            StartCoroutine(GetAudioString(baiduAPI));
        }
        else
            Debug.LogError(getTW.error);
    }
}

上面這段代碼是獲取百度的Token，有Token才有權(quán)使用API。

然后是發(fā)送轉(zhuǎn)換請求的方法：

/// <summary>
/// 把語音轉(zhuǎn)換為文字
/// </summary>
/// <param name="url"></param>
/// <returns></returns>
private IEnumerator GetAudioString(string url)
{
    JsonWriter jw = new JsonWriter();
    jw.WriteObjectStart();
    jw.WritePropertyName("format");
    jw.Write(format);
    jw.WritePropertyName("rate");
    jw.Write(rate);
    jw.WritePropertyName("channel");
    jw.Write(channel);
    jw.WritePropertyName("token");
    jw.Write(token);
    jw.WritePropertyName("cuid");
    jw.Write(cuid);
    jw.WritePropertyName("len");
    jw.Write(len);
    jw.WritePropertyName("speech");
    jw.Write(speech);
    jw.WriteObjectEnd();
 
    WWW getASW = new WWW(url, Encoding.Default.GetBytes(jw.ToString()));
    yield return getASW;
    if (getASW.isDone)
    {
        if (getASW.error == null)
        {
            JsonData getASWJson = JsonMapper.ToObject(getASW.text);
            if (getASWJson["err_msg"].ToString() == "success.")
            {
                audioToString = getASWJson["result"][0].ToString();
                if (audioToString.Substring(audioToString.Length - 1) == "，")
                    audioToString = audioToString.Substring(0, audioToString.Length - 1);
                Debug.Log(audioToString);
            }
        }
        else
        {
            Debug.LogError(getASW.error);
        }
    }
}

注意，這里不能用WWWForm的AddField方法去上傳參數(shù)，否則會返回錯誤3300，也就是參數(shù)錯誤，我就是在這卡住了很長時間。。

好了，現(xiàn)在就可以把一段語音轉(zhuǎn)換成文字然后返回到audioToString這個字符串了

然后是用unity錄音,這個腳本在之前的文章中寫過，下面在寫一遍

private void Awake()
{
    if (GetComponent<AudioSource>() == null)
        aud = gameObject.AddComponent<AudioSource>();
    else
        aud = gameObject.GetComponent<AudioSource>();
    aud.playOnAwake = false;
}

/// <summary>
/// 開始錄音
/// </summary>
public void StartMic()
{
    if (Microphone.devices.Length == 0) return;
    Microphone.End(null);
    Debug.Log("Start");
    aud.clip = Microphone.Start(null, false, 10, rate);
}

/// <summary>
/// 結(jié)束錄音
/// </summary>
public void EndMic()
{
    int lastPos = Microphone.GetPosition(null);
    if (Microphone.IsRecording(null))
        audioLength = lastPos / rate;//錄音時長  
    else
        audioLength = 10;
    Debug.Log("Stop");
    Microphone.End(null);
 
    clipByte = GetClipData();
    len = clipByte.Length;
    speech = Convert.ToBase64String(clipByte);
    StartCoroutine(GetToken(getTokenAPIPath));
}

/// <summary>
/// 把錄音轉(zhuǎn)換為Byte[]
/// </summary>
/// <returns></returns>
public Byte[] GetClipData()
{
    if (aud.clip == null)
    {
        Debug.LogError("錄音數(shù)據(jù)為空");
        return null;
    }
 
    float[] samples = new float[aud.clip.samples];
 
    aud.clip.GetData(samples, 0);
 
    Byte[] outData = new byte[samples.Length * 2];
 
    int rescaleFactor = 32767; //to convert float to Int16   
 
    for (int i = 0; i < samples.Length; i++)
    {
        short temshort = (short)(samples[i] * rescaleFactor);
 
        Byte[] temdata = System.BitConverter.GetBytes(temshort);
 
        outData[i * 2] = temdata[0];
        outData[i * 2 + 1] = temdata[1];
    }
    if (outData == null || outData.Length <= 0)
    {
        Debug.LogError("錄音數(shù)據(jù)為空");
        return null;
    }
 
    return outData;
}

然后再添加一下測試的代碼：

private void OnGUI()
{
    if (GUILayout.Button("Start"))
        StartMic();
 
    if (GUILayout.Button("End"))
        EndMic();
 
}
 
public Text debugText;
private void Update()
{
    debugText.text = audioToString;
}

整個腳本就完成了，然后把腳本掛到場景中一個物體上，再建一個Text,拖到debugText上，運行起來，點Start，說一句話，說完再點End，就會把說的話轉(zhuǎn)成語音輸出到debugText上

我覺得這個方法還是比較簡單的，只是必須要聯(lián)網(wǎng)才行，不過我們這個程序是要登陸注冊才能進去的，所以不存在不聯(lián)網(wǎng)的問題，大家可以參考參考，有好的意見可以提出來共同提高

工程Demo地址請點這里