我在2016年11月份这样的时候，写了一款“录音啦”语音转文字软件，到目前2年多了，也更新了55次以上，就是用户可以把自己的录音以及视频，放到软件里面，进行识别成文档，同时可以对识别的文字，二次翻译，支持视频以及常见录音格式，我在细节优化上，客户添加视频的话，可以识别双语字幕出来。那么，原理是什么呢？不说原理就感觉真的是在打广告啦！

一、客户录音不标准问题，首先客户的录音格式肯定是不标准的，有手机录音的M4A，录音笔的MP3,WAV，视频格式的话，有MP4,MOV，等等几十种格式，但是大家也知道，百度支持的采样率是16000，单声道的录音，那么如果你直接把用户录音POST上去，肯定不行的，一个是文件大于60S，还有就是这个文件不符合识别引擎的需求

二、音频文件转码：http://ai.baidu.com/docs#/ASR-Tool-convert/top

借助开源的平台“ffmpeg”，先把所有客户的录音，统一转换成，采样率16000，单声道的录音。然后利用“ffmpeg”分割每段录音长度不高于60S,提交到百度云，返回识别结果即可

三、翻译结果二次翻译

比如客户识别的是中文的录音，他想看到英文的结果，我们可以通过“百度翻译API”，把文字内容，post到百度翻译，从而获得结果，这里我给大家一个提示：需要翻译的内容，取“,”作为分隔符号，不然会导致翻译结果不连贯，所以一定要一句句进行翻译

http://api.fanyi.baidu.com/api/trans/product/index

四、深度开发语音识别功能

什么叫深度开发呢？首先我们正常识别，都是一段一段去识别的，对于正确率是有影响的，我这边，采用了波形分段技术，把整段录音中，开始说话和结束部分，分割成一段，单独识别反馈结果，这样，客户就可以很好的指定，哪分钟，这个人说了什么话，可以进行了关键字搜索，那么，再深入呢？如果客户导入的是视频，那么就可以直接识别成字幕了，不需要用户自己手打字幕了。利用百度的翻译技术，软件还实现了双语字幕的导出。

上面图片，可以明显的看出来分段精准到毫秒级了，然后提交该段录音，可以获得不错的识别效果

五、成功总结

百度开放了那么多好的技术，语音识别，翻译，等等，而且目前都是免费给大家用，其实可以好好的去结合多家集团的优势，资源整合一下，就可以形成一款很不错的商业软件，目前我这边客户量已经达到20万用户，百度的技术还是可以的，清晰的录音识别准确率蛮高的！~