ios - iOS App 录音上传至服务器后，微软语音识别库无法识别WAV格式音频，如何解决？

Question

问题背景

App 实现录音保存音频文件，并实现本地语音识别匹配功能。

通过网络请求上传通过语音匹配的音频文件。

服务器接收到文件并进行语音识别，使用的是第三方微软语音识别，只支持 PCM 数据源的 WAV 格式。

本地识别没有任何问题，上传到服务器的文件无法识别，微软库直接报错。猜测上传的音频个是问题，导致的问题。

问题代码

- (NSDictionary *)getAudioSetting {    NSMutableDictionary *dicM=[NSMutableDictionary dictionary];    //设置录音格式    [dicM setObject:@(kAudioFormatLinearPCM) forKey:AVFormatIDKey];    //设置录音采样率，8000是电话采样率，对于一般录音已经够了    [dicM setObject:@(16000) forKey:AVSampleRateKey];    //设置通道,这里采用单声道 1 2    [dicM setObject:@(2) forKey:AVNumberOfChannelsKey];    //每个采样点位数,分为8、16、24、32    [dicM setObject:@(16) forKey:AVLinearPCMBitDepthKey];    //是否使用浮点数采样    [dicM setObject:@(NO) forKey:AVLinearPCMIsFloatKey];    //....其他设置等    return dicM;}

在没有使用微软语音识别库之前，使用上面的代码没有任何问题。识别库更新之后，不识别上传的的音频文件。

一开始以为是因为没有使用浮点数采样导致音频文件被压缩。修改后依然没有解决问题。

经过和服务器的联调，发现 .wav 音频文件的头不信息服务区无法识别。

Answer 1

小编遇到过这个问题，这个问题正确的解决方案如下：

当音频文件保存为 .wav 格式的时候，iOS11 以下的系统，.wav 文件的头部信息是没问题，但是在 iOS11+ .wav 文件的头部信息服务区识别不了。

需要设置 AVAudioFileTypeKey 来解决这个问题。代码如下：

- (NSDictionary *)getAudioSetting {    NSMutableDictionary *dicM=[NSMutableDictionary dictionary];    //设置录音格式    [dicM setObject:@(kAudioFormatLinearPCM) forKey:AVFormatIDKey];    if (@available(iOS 11.0, *)) {        [dicM setObject:@(kAudioFileWAVEType) forKey:AVAudioFileTypeKey];    } else {        // Fallback on earlier versions    }    //设置录音采样率，8000是电话采样率，对于一般录音已经够了    [dicM setObject:@(16000) forKey:AVSampleRateKey];    //设置通道,这里采用单声道 1 2    [dicM setObject:@(2) forKey:AVNumberOfChannelsKey];    //每个采样点位数,分为8、16、24、32    [dicM setObject:@(16) forKey:AVLinearPCMBitDepthKey];    //是否使用浮点数采样    [dicM setObject:@(NO) forKey:AVLinearPCMIsFloatKey];    //....其他设置等    return dicM;}

Answer 2

对于您描述的问题，上传的 WAV 文件在微软语音识别库中无法识别，这通常是由于文件格式或编码不符合识别库的预期导致的。针对您提供的代码和描述，这里有几个可能的解决方案：

1. 确保 WAV 文件格式正确：
   WAV 文件格式包含了一个文件头，它描述了音频数据的格式。确保文件头包含了正确的信息，特别是 Format 块，它应该包含正确的 wFormatTag（通常为 1 表示 PCM），nChannels（通道数），nSamplesPerSec（采样率），nAvgBytesPerSec（平均字节速率），nBlockAlign（块对齐）以及 wBitsPerSample（每样本位数）。
2. 检查采样率和通道数：
   确保您设置的采样率和通道数符合微软语音识别库的要求。根据您提供的代码，您设置了采样率为 16000 Hz 和双声道（2 通道）。确保微软语音识别库支持这些设置。有时，语音识别库可能只支持特定的采样率（如 16000 Hz）和单声道。
3. 使用正确的字节序：
   对于 PCM 数据，还需要确保字节序（大端或小端）是正确的。这通常在 WAV 文件的 Format 块中的 wFormatTag 字段指定为 WAVE_FORMAT_PCM（值为 1）时自动处理。但是，如果使用了其他编码，就需要特别小心字节序。
4. 转换格式或编码：
   如果以上步骤都不能解决问题，您可能需要将音频数据转换为微软语音识别库支持的特定格式。这通常意味着您需要在上传之前对音频数据进行转码。您可以使用像 FFmpeg 这样的工具来转码音频文件。
5. 检查上传过程：
   确保在上传过程中音频文件没有被损坏或修改。您可以通过在上传前后比较文件的 MD5 哈希值来验证这一点。
6. 联系微软支持：
   如果问题依然存在，您可能需要联系微软语音识别库的技术支持，询问他们关于 WAV 文件格式的具体要求，并寻求进一步的帮助。

最后，请注意，在更改音频设置或进行转码时，您可能需要在本地和服务器上同时测试，以确保更改后的音频文件既能在本地正确识别，也能被微软语音识别库识别。