Легчайший бот на Python, который переводит ваш голос в текст

Всем привет! Недавно вдохновилась всякими ботами в тгшке и решила для будущего портфолио сделать своего первого бота + подумала, что может быть это будет полезно кому-то из вас 🙂

В этой статье разберём теоретические основы (базу) для его создания и сам код с понятными комментариями к нему.

Что такое API, TOKEN и с чем их едят?

Т.к. в данной статье будет создаваться телеграмм бот, то нужно чуть больше узнать про API.
API (Application Programming Interface) — программный интерфейс приложения. То есть, набор способов и правил, по которым различные программы общаются между собой и обмениваются данными.

Именно в качестве ТГ-бота работа апишки выглядит так:
Наше пайтон приложение отсылает токен, название функции, параметры (адресат, данные) на сервер телеграмм.
А сервер телеграмм уже присылает в наше приложение входящие сообщения (отправитель, данные).

Зачем регать бота через токен? По сути это как паспорт, чтобы наше приложение понимало к какому именно боту идёт привязка. В общем, уникальный идентификатор. Самое главное — никому не сообщать ваш токен.

С этими приколами разобрались, переходим к коду!

Разработка бота и разбор кода

Думаю, все понимают, что для нормальных проектов нужно использовать библиотеки. С первого же сайта можно найти определение:

Библиотека (или модуль) в Python — это файл с кодом, содержащий функции, классы и переменные, которые вы можете использовать в своих программах.

Если мы используем библиотеку, то обязательно в коде нужно сказать окружению что именно мы собираемся заюзать.
Делается это так: import имя_пакета

Если же пакет не входит в стандартный набор, то его можно скачать с помощью команды: pip install имя_пакета

Итак, для начала нам нужно сделать несколько импортов, каждый из них объяснён в комментарии.

import os
import telebot
import speech_recognition # Преобразование голоса в текст (базаримся на готовенькое от Гугла)
from pydub import AudioSegment # Обработка аудиофайла, который присылает пользователь

Обязательно устанавливаем все эти библиотеки (я делала установку через cmd): pip install pydub telebot SpeechRecognition

ВАЖНО ПРИМЕЧАНИЕ!!

Для работы библиотеки pydub ОБЯЗАТЕЛЬНО нужен скачанный ffmpeg. Без него чуть ли не все функции pydub не будут работать (увы)

И чуть не забыла! Нашего бота надо создать в самом телеграмме через BotFather. Работа с ним показана ниже.

Абсолютно во всех тг-ботах при создании чуть ли не первой строчкой после импортов идёт token = 'ваш токен из BotFather'

Объект — это составная переменная, к которой привязан набор атрибутов и функций.
Сам бот представляет собой объект, а токен является его обязательным атрибутом.

bot = telebot.TeleBot(token) . В этой части кода мы запускаем бота и даём ему запомнить токен.

Теперь приступаем к написанию функций. Всего их будет три штуки:

• def ogg2wav(filename) — перевод голосового сообщения из формата .ogg в формат .wav, с которыми удобнее работать.

• def recognize_speech(ogg_filename) — перевод голоса в текст с помощью библиотеки SpeechRecognition + реализация удаления использованных файлов, чтобы память не засорять бллин.

• def download_file(bot, file_id) — скачивание голосового сообщения, которое прислал пользователь.

Начнём с первой функции конвертации голосового сообщения. Вот так она выглядит:

def ogg2wav(filename):      new_filename = filename.replace('.ogg', '.wav')      audio = AudioSegment.from_file(filename)      audio.export(new_filename, format='wav')      return new_filename

Как это работает:

1. Замена расширения:
   Создаёт имя для нового файла, заменяя .ogg на .wav (например, voice.ogg → voice.wav).

2. Чтение и конвертация:
   Использует библиотеку pydub для загрузки OGG-файла и преобразования данных в аудиопоток.

3. Экспорт результата:
   Сохраняет конвертированные данные как WAV-файл с 16-битной глубиной и частотой дискретизации исходника (стандарт для Telegram-голосовых сообщений).

Ретурнит (возвращает):
Путь к созданному wav-файлу для нашей дальнейшей обработки.

Дальше уже функция, которая работает с нашим созданным wav-файлом. Вот как она выглядит:

def recognize_speech(ogg_filename):      wav_filename = ogg2wav(ogg_filename)      recognizer = speech_recognition.Recognizer()      with speech_recognition.WavFile(wav_filename) as source:          wav_audio = recognizer.record(source)      text = recognizer.recognize_google(wav_audio, language='ru')      if os.path.exists(ogg_filename):          os.remove(ogg_filename)      if os.path.exists(wav_filename):          os.remove(wav_filename)      return text 

Как это работает:

1. Конвертация в WAV:
   Сначала вызывает ogg2wav() для преобразования входного OGG-файла в WAV-формат (необходим для библиотек распознавания).

2. Распознавание речи:

   • Создает объект-распознаватель speech_recognition.Recognizer()

   • Читает аудиоданные из wav-файла

   • Отправляет данные в Google Speech Recognition API с указанием русского языка (language='ru')

3. Очистка ресурсов:
   Удаляет как исходный OGG-файл, так и временный WAV-файл после обработки (чтобы избежать накопления данных).

Ретурнит жоско:
Распознанный текст в виде строки.

И теперь самая важна функция, с которой, по сути, и должен начинать работу наш бот. Вот её код:

def download_file(bot, file_id):      file_info = bot.get_file(file_id)      downloaded_file = bot.download_file(file_info.file_path)      filename = file_id + file_info.file_path      filename = filename.replace('/','_') #Чтобы ошибок с косой чертой не было бллин      with open(filename, 'wb') as f:          f.write(downloaded_file)      return filename

Как это работает:

1. Получение метаданных:
   Через bot.get_file() получает информацию о файле (путь, размер и т.д.) по его идентификатору file_id.

2. Скачивание контента:
   Использует bot.download_file() для загрузки бинарных данных файла.

3. Генерация имени файла:

   • Комбинирует file_id и оригинальное имя файла для уникальности

   • Важно: Заменяет / на _ в имени (чтобы избежать ошибок создания поддиректорий)

4. Сохранение:
   Записывает бинарные данные в локальный файл в режиме wb (raw byte-запись).

Ретурн:
Имя сохранённого файла (например: AwBD...xyz_voice.ogg)

Теперь осталось только прописать логику работы бота. По базе, начинаем с обработчика дефолт команды /start, которую вводим при запуске бота. В моём случае на это сообщение он будет просить пользователя прислать ему голосовое собщение. Код выглядит следующим образом:

@bot.message_handler(commands=['start'])

def say_hi(message):

    bot.send_message(message.chat.id, 'Привет! Отправь мне голосовое, чтобы я его расшифровал в текст йоооу')

И, самое главное — сердце нашего goofy ahh бота, а именно поочерёдность выполнения функций. Тут много комментировать не буду, т.к. все приколы написаны были ранее 🙂

@bot.message_handler(content_types=['voice']) #Бот реагирует на голос, поэтому пишем voice

def transcript(message):

    filename = download_file(bot, message.voice.file_id) #Скачиваем голосовуху

    text = recognize_speech(filename) #Преобразуем её в вав-файл + расшифровываем

    response = f"🎤 Вот расшифровка вашего голосового сообщения:\n\n{text}" #Форматируем, чтобы на выходе пользователь получил не пустую расшифровку, а хоть какую-то красоту

    bot.send_message(message.chat.id, response) #Отправляем ответ пользователю :)

И теперь пишем самую последнюю команду, которая запускает нашего бота (не дай боже вы напишите её в предыдущую функцию друзья) — bot.polling()

Вот и всё! Наш бот готов трудиться на благо человечества. К сожалению, дать его юз, чтобы вы проверили я не могу, т.к. не размещала его на сервере для работы 24/7. Поэтому прикрепляю скромный скриншот, где видно, что всё работает!

Полный код к данному приколу есть на моём гитхабе по ссылке.

Всем спасибо, кто прочитал статью! Надеюсь это кому-то поможет. Если будут какие-то комментарии/предложения по улучшению/поправки — пишите, всегда буду рада почитать 🙂