[Google音声認識サンプル] 依存：numpy、PyAudio==0.2.7、flac-1ツール（http://flac.sourceforge.net/download.html）

recognizer.py

#/usr/bin/env python
# encoding: utf-8

import os
import sys
import atexit
import json
import time
import tempfile
import wave
import traceback
import urllib2
from subprocess import check_output
from Queue import Queue, Empty

import numpy as np
import pyaudio


class Spectrum(object):

    FORMAT = pyaudio.paFloat32
    CHANNELS = 1
    FRAME_SIZE = 512
    RATE = 16000 # Hz

    def frames(self, n):
        return int(n*self.RATE/self.FRAME_SIZE)

    def __init__(self):
        self.speak = Queue()
        self.pa = pyaudio.PyAudio()
        self.last_samples = None
        atexit.register(self.pa.terminate)
        # fft結果のインデックスに対応する周波数値の計算。今回使わなかった。
        # self.freq = np.fft.fftfreq(self.FRAME_SIZE, d=self.RATE**-1)
        self.begin = self.FRAME_SIZE*3/8
        self.end = self.FRAME_SIZE/2
        self.fque = np.zeros((self.frames(1.0), self.end-self.begin), np.float32)
        self.buff = np.zeros((self.frames(5.0), 512), np.float32)

    def fft(self, samples):
        win = np.hanning(len(samples))
        res = np.fft.fftshift(np.fft.fft(win*samples))
        return 20*np.log10(np.abs(res))

    def callback(self, in_data, frame_count, time_info, status):
        try:
            data = np.fromstring(in_data, np.float32)
            self.buff[0] = data
            self.buff = np.roll(self.buff, -1, axis=0)
            if self.status == 0: # 切り出しを始めたら環境音成分平均値の更新は一時停止。
                self.fque = np.roll(self.fque, 1, axis=0)
            self.fque[0] = self.fft(data)[self.begin:self.end]
            # これが環境音成分の平均値
            average = np.average(self.fque, axis=0)
            values = self.fque[0] - average # fft結果から差っ引く
            volume = np.average(values)
            if self.status:
                self.count += 1
            else:
                self.count == 0
            if self.status < 5:
                if volume>5:
                    self.status += 1
                else:
                    self.status = 0
            elif self.status == 5:
                if volume<5:
                    self.status += 1
            elif self.status < 15:
                if volume<5:
                    self.status += 1
                else:
                    self.status -= 1
            else:
                self.status = 0
                self.speak.put(self.buff[-self.count-2:])
            if self.debug:
                pr = [min(9, max(0, int(v/10))) for v in values]
                print ''.join([str(i) for i in pr]), self.status

            return (in_data, self.recording)
        except KeyboardInterrupt:
            self.recording = pyaudio.paAbort

    def start(self, debug=False):
        self.debug = debug
        self.status = 0
        self.count = 0
        self.recording = pyaudio.paContinue
        self.stream = self.pa.open(format = self.FORMAT,
                        channels = self.CHANNELS, 
                        rate = self.RATE, 
                        input = True,
                        output = False,
                        frames_per_buffer = self.FRAME_SIZE,
                        stream_callback = self.callback)
        self.stream.start_stream()

    def stop(self):
        self.recording = pyaudio.paAbort
        while self.stream.is_active():
            time.sleep(0.5)
        self.stream.start_stream()
        self.stream.close()


RECOGNIZE_URL = "https://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=ja-JP"
# RECOGNIZE_URL += "&maxresult=10" # これで候補のトップ１０が返る。
FLAC_TOOL = 'flac'

def recognize(fpath):
    flac = open(fpath,"rb").read()
    header = {'Content-Type' : 'audio/x-flac; rate=16000'}
    req = urllib2.Request(RECOGNIZE_URL, flac, header)
    data = urllib2.urlopen(req)
    params = json.loads(data.read())
    return params

def main(spe):
    while 1:
        try:
            buff = spe.speak.get(timeout=3)
            with tempfile.NamedTemporaryFile(suffix='.wav') as fp:
                f = wave.open(fp, 'w')
                f.setnchannels(1)
                f.setsampwidth(2)
                f.setframerate(16000)
                f.writeframes(np.int16(buff*32768).tostring())
                f.close()
                check_output([FLAC_TOOL, '-sf', fp.name])
                output = os.path.splitext(fp.name)[0] + '.flac'
                res = recognize(output)
                for i in res.get('hypotheses', []):
                    print i['confidence'], i['utterance']
        except KeyboardInterrupt:
            raise SystemExit(0)
        except Empty:
            pass
        except:
            traceback.print_exc()
            time.sleep(5)

if __name__=='__main__':
    spe = Spectrum()
    spe.start(False)
    try:
        main(spe)
    finally:
        spe.stop()

認識サンプルー：

0.627582 もしもーし
0.7055486 こんばんは
0.6401324 えっ
0.27831447 えっ ライト
0.39178658 豆丁
0.56470203 京都
0.27980527 京都
0.38748074 まめちゃん
0.56085163 あめちゃん 京都
0.118296765 京都 今日
0.35291997 京都 香
0.23023404 特許 mame
0.62664324 東京都
0.4853431 東京都 こうちゃん
0.41771716 東京都 紅茶
0.49495977 うー
0.31954005 登る 上る 登る
0.69323325 面白いね
0.68706167 面白いね
0.30382764 ニコでた
0.14218235 にこ
0.71369535 マメルリハ
0.7092317 オカメインコ
0.71676314 セキセイインコ
0.7160014 精飲子 ジュウシマツ
0.34830737 嶋津 うずら
0.71328956 ちよこれいと
0.52314687 レイクトローラ 甲府
0.29295838 株 東
0.27502802 デカクチバシ
0.095073506 うー
0.41421902 yeah
0.6142067 やほう
0.41653907 canon
0.5651796 波浪
0.59454215 波浪注意報
0.5844786 波浪注意報
0.5838898 今日は桜が満開です
0.6356832 もしもーし
0.54706 マミンカですか
0.50342584 東京バナナ

雑音が切り出しの端っこに混入した時のブツッっていうのを緩和させていないので「えっ」「京都」とかが結構入る。