如何将RTSP流音频传入PyAudio进行语音识别处理？

你的现有代码是通过PyAudio读取本地麦克风的音频输入，要处理RTSP流的音频，需要替换音频输入的来源——从网络RTSP流中提取并转换音频数据，再喂给Vosk的识别器。

修改思路 #

• 放弃PyAudio读取麦克风的逻辑，改用FFmpeg（或其Python绑定库ffmpeg-python）拉取RTSP流，解封装出音频流，并转换成Vosk要求的格式（16位单声道PCM，采样率128000，和你现有代码的参数匹配）。
• 把转换后的音频数据流直接传给KaldiRecognizer.AcceptWaveform()做识别。

修改后的代码示例 #

import json
from vosk import Model, KaldiRecognizer
import ffmpeg
from Analysis import Voice_tag

class RTSPVoiceRecognizer():
    def __init__(self, rtsp_url):
        # 初始化Vosk模型，保持原采样率参数
        model = Model("model1")
        self.rec = KaldiRecognizer(model, 128000)
        
        # 用FFmpeg拉取RTSP流，提取音频并转换格式
        self.process = (
            ffmpeg
            .input(rtsp_url)
            .output('pipe:', format='s16le', acodec='pcm_s16le', ac=1, ar=128000)
            .run_async(pipe_stdout=True)
        )
        
        # 启动识别循环
        self.start_recognition()

    def start_recognition(self):
        print('RTSP音频识别已启动')
        while True:
            # 从FFmpeg的输出管道读取音频数据
            data = self.process.stdout.read(32000)
            if not data:
                break
            # 喂给Vosk识别器
            if self.rec.AcceptWaveform(data):
                out = json.loads(self.rec.Result())
                if out['text']:
                    print(f"识别结果: {out['text']}")
                    # 调用原有的Voice_tag处理逻辑
                    Voice_tag(out['text'])
                    print(" ")

# 替换成你的RTSP流地址
rtsp_url = "rtsp://your-rtsp-stream-url"
recognizer = RTSPVoiceRecognizer(rtsp_url)

注意事项 #

• 先安装依赖：pip install ffmpeg-python，同时确保系统已经安装了FFmpeg（可以通过ffmpeg -version验证）。
• 确保RTSP流的音频编码可以被FFmpeg解码，如果流的参数和代码中指定的ar=128000（采样率）、ac=1（单声道）不匹配，FFmpeg会自动转换，但如果差异过大可能影响识别效果。
• 原代码中未定义的CamVoise()方法已被整合到识别循环逻辑中，可根据自身需求调整结构。

内容的提问来源于stack exchange，提问作者Genry