google语音搜索识别API

这是很久前写的文章，博客关闭之后我会翻出来再发一遍。

最近发现很多网站的搜索框里面都添加了语音搜索功能，大的像谷歌搜索，淘宝官网，以DZ为模版的论坛。小的网站像很多个人博客，网址导航网站等……其实像谷歌和淘宝出现语音搜索都不足为奇，但是个人博客上出现这个功能，引起了我的关注。下面是我探索的步骤，与大家分享！

一. 语音输入只有在Chrome浏览器下才能看到

语音搜索功能只有在Google Chrome浏览器下才能看到，在IE，Firefox下测试都看不到。之后查官方文档显示该语音搜索功能现在只支持webkit内核的浏览器，大家赶快下个Google Chrome测试一下吧！

如果你没有安装谷歌浏览器，只是想试试语音识别的功能，有个很简单的办法！我在家上网，不经意间发现QQ聊天面板，多功能辅助输入里面多了一个语音识别功能，于是尝试了几次，准确率还是比较高的，大家可以试试！

二.如何在自己的网站上实现语音搜索识别

既然很多个人博客上都有该功能，那么说明这个功能能通过调用第三方API实现……原本以为会很难，应该是没想到会如此的简单……原理就是一句代码 “ x-webkit-speech ”，将这句代码添加在你的标签里面，比如：

<FORM method="post" action="">
标题：<INPUT type="text" name="title"  x-webkit-speech lang="zh-CN">
<INPUT type="submit" value="提交">
</FORM>

就这么简单……不信你可以马上将这段代码保存到任意的HTML文件，比如新建一个index.html文件，然后用Chrome打开！x-webkit-speech后面可以跟很多参数，例如代码中的 lang=”zh-CN” 参数（这个参数也可以不加）。

还有 x-webkit-grammar=”bUIltin:search” 使得语音输入的内容尽量靠近搜索内容，去除多余的字符，例如“的”、“啦”，

onwebkitspeechchange 发声语音改变时会触发，可以用它来设置说完话就自动搜索，比如

1	<input type="text" x-webkit-speech onwebkitspeechchange="$(this).cloest('form').submit()"/>

想知道其他更具体的信息可以给我留言。

三.google语音搜索识别探究

我做事向来喜欢打破砂锅查到底，所以开始了折腾！因为这个简单的HTML5应用激发了我的兴趣。我最开始猜测这是webkit内核的浏览器自带的功能，因为我用Chrome 开发人员工具抓不到数据包。但是断网后就发现该功能不能用了，所以可以确定实现这个方法一定是调用了远程API。而且调用API的这段代码还是写在Chrome内核里面的,不然数据包会被Chrome 开发人员工具抓到。

先说说怎么抓包吧，打开一个网站，按F12 —> 在出现的窗口中选择Network—>再刷新网站—->就能看到你抓到的数据包了。点击能查看每个数据包的详情，比如我用谷歌翻译，翻译“我是谁”抓到的包。

现在我们能确定两点

语音搜索识别功能是调用远程API(联网解析的)
调用API的代码写在Chrome内核中

确定这两点之后我的思路就清晰多了！因为Chrome是开源的，所以大部分源代码都是开放的。很顺利，我在 http://src.chromium.org/viewvc/chrome/trunk/src/content/browser/ 找到了 speech模块！

于是开始分析，其实谈不上分析，就是根据用C语言写的源代码的文件名的意思慢慢猜测。因为找不到哪里能下载整个Chrome源代码的链接，就只能一个一个网页去打开，希望有下载链接的朋友分享一下。最后在speech文件夹下的google_one_shot_remote_engine.cc文件里找到了我要的链接！！

http://src.chromium.org/viewvc/chrome/trunk/src/content/browser/speech/google\_one\_shot\_remote\_engine.cc?revision=170920&view=markup

我把主要的部分引用过来

const char* const kDefaultSpeechRecognitionUrl =
    "https://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&";
const char* const kStatusString = "status";   //调用接口后返回的状态代码，0表示成功，代码之后会单独说明
const char* const kHypothesesString = "hypotheses";  //猜测的结果，一个json结构的数
const char* const kUtteranceString = "utterance";   //解析出来的词语
const char* const kConfidenceString = "confidence";  //调用会返回有多个结果，这是解析的信心值
const int kWebServiceStatusNoError = 0;
const int kWebServiceStatusNoSpeech = 4;
const int kWebServiceStatusNoMatch = 5;

const AudioEncoder::Codec kDefaultAudioCodec = AudioEncoder::CODEC_FLAC;//发送的是FLAC格式的声音文件

//调用谷歌远程引擎
void GoogleOneShotRemoteEngine::StartRecognition() {
  DCHECK(delegate());
  DCHECK(!url_fetcher_.get());
  std::string lang_param = config_.language;

  if (lang_param.empty() && url_context_) {
    // If no language is provided then we use the first from the accepted
    // language list. If this list is empty then it defaults to "en-US".
    // Example of the contents of this list: "es,en-GB;q=0.8", ""
    net::URLRequestContext* request_context =
        url_context_->GetURLRequestContext();
    DCHECK(request_context);
    // TODO(pauljensen): GoogleOneShotRemoteEngine should be constructed with
    // a reference to the HttpUserAgentSettings rather than accessing the
    // accept language through the URLRequestContext.
    std::string accepted_language_list = request_context->GetAcceptLanguage();
    size_t separator = accepted_language_list.find_first_of(",;");
    lang_param = accepted_language_list.substr(0, separator);
  }

  if (lang_param.empty())
    lang_param = "en-US";

/*************************************************************
/* 重要注释：  
/*     parts参数非常的重要，里面将存储接口参数，根据下面的代码
/* 我们可以知道有如下几个参数: 下文会单独解释
/*  "lang=" 
/*  "lm="
/*  "xhw="
/*  "maxresults="
/*  "key=" 
**************************************************************/
  std::vector<std::string> parts;
  parts.push\_back("lang=" + net::EscapeQueryParamValue(lang_param, true)); 
  /* "lang="是一个重要的参数,用来选择语言类型，默认是"en-US" 美式英文，中文为zh-CN，其余语言代码参考：
  http://msdn.microsoft.com/en-us/library/ms533052(v=vs.85).aspx */

  if (!config_.grammars.empty()) {
    DCHECK\_EQ(config_.grammars.size(), 1U);
    parts.push\_back("lm=" + net::EscapeQueryParamValue(config_.grammars[0].url,
                                                       true));
  }

  if (!config\_.hardware_info.empty())
    parts.push\_back("xhw=" + net::EscapeQueryParamValue(config\_.hardware_info,
                                                        true));
  parts.push\_back("maxresults=" + base::UintToString(config\_.max_hypotheses));
  parts.push\_back(config\_.filter_profanities ? "pfilter=2" : "pfilter=0");

  std::string api\_key = google_apis::GetAPIKey();
  parts.push\_back("key=" + net::EscapeQueryParamValue(api_key, true));

}  // namespace content

看不懂代码的没关系，我说重点。

“https://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&" 就是我们一直要找的那个调用接口。

他的参数我们通过Chrome源代码知道的有：

xjerr=1 参数功能不详，值只能是0或1，去掉也能正常获得结果；

client=chromium 客户端类型，参数不详，修改和去掉能正常获取结果；

lang=en-US 说话的语言类型，这里是英文，中文为zh-CN，其余语言代码参考：

http://msdn.microsoft.com/en-us/library/ms533052(v=vs.85).aspx ；

lm 语法的URL地址，没做深入研究；

xhw 硬件信息,可能用来判断是移动设备还是PC；

maxresults=1 最大返回结果数量,结果根据confidence参数排了序；

key 谷歌API密匙，现在没有也没关系。

一. 语音输入只有在Chrome浏览器下才能看到

二.如何在自己的网站上实现 语音搜索识别

三.google语音搜索识别探究

二.如何在自己的网站上实现语音搜索识别