如何在内存中将PyDub AudioSegment对象转为SpeechRecognition AudioData对象？

完全可以实现内存内直接转换，不需要把音频片段存到磁盘。核心思路是利用PyDub的export方法将AudioSegment导出到内存中的字节流对象，再用这些数据直接构造SpeechRecognition的AudioData对象。

具体实现步骤及代码示例 #

1. 导入所需依赖

from pydub import AudioSegment
import speech_recognition as sr
import io

2. 假设你已经通过PyDub完成了音频分割，得到了一个包含AudioSegment对象的列表segments
3. 定义转换函数，把单个AudioSegment转为AudioData

def segment_to_audio_data(segment: AudioSegment) -> sr.AudioData:
    # 将AudioSegment导出到内存中的BytesIO对象，格式选无压缩的wav避免编码问题
    with io.BytesIO() as byte_stream:
        segment.export(byte_stream, format="wav")
        byte_stream.seek(0)
        raw_audio_data = byte_stream.read()
    
    # 提取AudioSegment的采样率和样本宽度，用于构造AudioData
    sample_rate = segment.frame_rate
    sample_width = segment.sample_width
    
    # 直接构造并返回AudioData对象
    return sr.AudioData(raw_audio_data, sample_rate, sample_width)

4. 遍历所有片段进行语音识别

recognizer = sr.Recognizer()

for idx, segment in enumerate(segments):
    audio_data = segment_to_audio_data(segment)
    try:
        # 这里用Google Web Speech API举例，你也可以替换成其他支持的引擎
        text = recognizer.recognize_google(audio_data, language="zh-CN")
        print(f"片段{idx+1}识别结果：{text}")
    except sr.UnknownValueError:
        print(f"片段{idx+1}无法识别")
    except sr.RequestError as e:
        print(f"片段{idx+1}请求识别服务失败: {e}")

关键说明 #

• 选择wav格式导出是因为它是无压缩的原始音频格式，能保证SpeechRecognition可以正确解析原始数据，避免编码格式不兼容的问题。
• AudioData的三个参数分别对应：原始音频字节数据、采样率（每秒采样次数）、样本宽度（每个采样点的字节数），这些都可以直接从PyDub的AudioSegment对象中获取，不需要额外计算。

内容的提问来源于stack exchange，提问作者TangerineZA