选择 flask 作为后端，因为后续还需要深度学习模型，python 语言最适配；而 flask 框架轻、学习成本低，所以选 flask 作为后端框架。

微信小程序封装了调用手机硬件的 api，通过它来调用手机的摄像头、录音机，非常方便。

网页端使用 JavaScript 调用则困难一些，走了很多弯路，在这里记录下来。

前提：已经配置好 python 环境、安装了 flask；

坑（备忘）

• 访问摄像头，谷歌浏览器可以访问，但是 edge 不可以，百思不得其解，查到 浏览器调用摄像头拍照 说因为 windows 限制了访问权限，不只是打开网页的时候问你的那个，还有系统限制。解决方法是
  
  这么做确实可以，可是移动端怎么办呢？我这个网页还是想在移动端使用，移动端怎么办呢……

flask 端

flask 的任务是收取前端传来的文件，保存在本地。

from flask import Flask, request, jsonify, render_template app = Flask(__name__) app.config.from_object(__name__) app.config["JSON_AS_ASCII"] = False  # 防止中文乱码 app.json.ensure_ascii = False  # 防止中文乱码 # 设置上传文件夹 app.config['UPLOAD_FOLDER'] = r'D:\A_data_trans\test（改成你的位置）'  @app.route('/vqa', methods=['POST']) def app_vqa():     # 保存图片     img_file = request.files['img']  # 这里规定了前端传图片过来的时候，用的关键字是 'img'，别的，比如 'image' 就会拿不到     if img_file.filename == '':         return jsonify({'error': 'No image'}), 400     try:         image_path = os.path.join(app.config['UPLOAD_FOLDER'], img_file.filename)         img_file.save(image_path)         log(f"save image: {image_path}")     except Exception as e:         return jsonify({'error': str(e)}), 500      # 传过来的就是文本     question = request.form['question']  # 前端传来的文本信息都是放在 form 中的      # 预测答案     try:         answer = vqa(image_path, question)         return jsonify(answer)     except Exception as e:         return jsonify({'error': str(e)}), 500  # 接收文件的代码，其实和上面长得一样，略微有一 miu miu 区别 @app.route('/upload', methods=['POST']) def app_upload_file():     # 保存图片     img_file = request.files['img']     if img_file.filename == '':         return jsonify({'error': 'No image'}), 400     try:         image_path = os.path.join(app.config['UPLOAD_FOLDER'], img_file.filename)         img_file.save(image_path)         shutil.copy(image_path, os.path.join(os.path.dirname(__file__), 'static/show.jpg'))  # 用于展示在网页上         log(f"save image: {image_path}")     except Exception as e:         return jsonify({'error': str(e)}), 500      try:         # 传过来的就是文本         question = request.form['question']     except:         question = "请描述图片内容"     return jsonify({"image": img_file.filename, "question": question})   @app.route('/upload/speech', methods=['POST']) def recognize_speech():     speech_file = request.files['speech']     try:         save_path = os.path.join(app.config['UPLOAD_FOLDER'], speech_file.filename)         speech_file_path = os.path.join(app.config['UPLOAD_FOLDER'], save_path)         speech_file.save(speech_file_path)         # question = speech2txt(speech_file_path)         # print('百度识别结果：', question)     except Exception as e:         return jsonify({'error': str(e)}), 500     return jsonify({"speech": speech_file.filename}) 

微信小程序

微信小程序端的任务是，调用手机相机，把相机画面展示给用户，加一个按钮，点击按钮拍照；另外一个按钮，点击可以把拍到的照片上传。

wxml 中，放上一个 camera 用来显示相机画面；放上几个 button，控制拍照、上传。

                                                拍摄图片              长按提问                                  描述图片              回答问题          

用到的 wxss

/**index.wxss**/ page {   height: 100vh;   display: flex;   flex-direction: column; } .scrollarea {   flex: 1;   overflow-y: hidden; }  .btn-normal {   margin-top: 10px;   padding: 10px;   background-color: rgb(252, 226, 230);   color: black;   border-radius: 0ch;   border-color: brown;   border-width: 1px;   border-style: dotted;   cursor: pointer;   height: 70px;   line-height: 50px;   width: 90%;   text-align: center;   font-size: xx-large; }  .btn-large {   height: 300px; }  .btn-pressed {   background-color: rgb(202, 129, 140);   color: rgb(82, 75, 75); }  .btn-human {   background-color: darkseagreen; }  .btn-human-pressed {   background-color:rgb(89, 141, 89);   color: rgb(75, 82, 77); }  button:not([size=mini]) {   width: 90%; }  .useGuide {   margin-top: 10px;   margin-bottom: 10px;   width: 90%; }  .text-question {   margin-top: 10px;   width: 90%; }  .my-container {     display: flex;     flex-direction: column;     align-items: center;     justify-content: center;   }      .button-row {     display: flex;     justify-content: space-between;   width: 90%; }    .donot-display {   display: none; } 

js 部分。因为微信小程序给封装得很好，所以基本没有什么坑，按照这个写就行，基本不出错。要注意各种 success 方法，要用 success: (res) => {} 的写法，不然在里面调用 this 是识别不到的。

Page({ 	data: {     serverUrl: 'http://改成你的',  // 服务器地址      photoData: '',  // 用户拍摄的图片     speechData: '',  // 用户提问的录音文件     textQuestion: '',  // 用户提问文本     recorderManager: null,     textAnswer: '',  // vqa模型识别的文本   },   // 点击拍照的方法在这里 （按钮绑定在 wxml 就写好了）   takePhoto(e) {     console.log("拍摄照片")     const ctx = wx.createCameraContext();     ctx.takePhoto({       quality: 'low',       success: (res) => {         this.setData({           photoData: res.tempImagePath  // res.tempImagePath 就可以拿到拍到的照片文件的 object url 地址，把这个地址传给服务器，就可以把该文件传给服务器         });       }     });   },   // 控制长按录音的代码放在这里（按钮绑定在 wxml 就写好了）   startRecord() {     const recorderManager = wx.getRecorderManager();     this.setData({ recorderManager }); 	// 停止录音的回调方法；在这里我加了调用百度语音 api 的东西，这部分会另外写文详说，这里只放出来一部分。所以这里没有把录音文件上传，而是直接把语音识别的结果上传文件夹     recorderManager.onStop((res) => {       console.log('recorder stop', res);       this.setData({ speechData: res.tempFilePath });       var baiduAccessToken = wx.getStorageSync('baidu_yuyin_access_token');       // 读取文件并转为 ArrayBuffer       const fs = wx.getFileSystemManager();       fs.readFile({         filePath: res.tempFilePath,         success: (res) => {           const base64 = wx.arrayBufferToBase64(res.data);           wx.request({             url: 'https://vop.baidu.com/server_api',             data: {               format: 'pcm',               rate: 16000,               channel: 1,               cuid: 'sdfdfdfsfs',               token: baiduAccessToken,               speech: base64,               len: res.data.byteLength,             },             method: "POST",             header: {               'content-type': 'application/json'             },             success: (res) => {               wx.hideLoading();               console.log("拿到百度语音api返回的结果")               console.log(res.data);               var baiduResults = res.data.result;               console.log(baiduResults[0]);               if (baiduResults.lenth == 0) {                 wx.showToast({                   title: '未识别要语音信息！',                   icon: 'none',                   duration: 3000                 })} else {                   this.setData({textQuestion: baiduResults[0]});                 }             }           })         }       })     }); 	// 这里才是控制录音的参数；微信小程序端可以设置这些录音参数，因为后面要调用百度语音识别 api，该 api 仅支持采样率 16000 或 8000，对压缩格式也有要求，所以录音的时候要和 api 的要求保持一致     recorderManager.start({       format: 'PCM',       duration: 20000,  // 最长支持 20s       sampleRate:16000,       encodeBitRate: 48000,       numberOfChannels: 1,       success: (res) => {         console.log('开始录音');       },       fail: (err) => {         console.error('录音失败', err);       }     });   },   // 上传的代码放在这里   predVQA() {     if (this.data.photoData != '' && this.data.textQuestion != ''){       console.log('send img' + this.data.photoData);       wx.uploadFile({         filePath: this.data.photoData,         name: 'img',  // 文件对应 key，后端通过该 key 获取文件；前后端注意保持一致         url: this.data.serverUrl+'/vqa',         formData: {'question': this.data.textQuestion},         success: (res) => {            console.log('成功上传');            if (res.statusCode == 200) {             var answer = res.data             this.setData({ textAnswer: answer })           } else { console.error(res) }         },         fail: (err) => { console.error('上传失败'); }       })     }   }, }) 

网页端的实现

网页端就要复杂很多……掉过很多坑真的很难搞……（这里感谢 b站 up主 “前端石头”，其中摄像头拍照和录音的 js 代码参考了他的代码）

而且这里有 2 个关键的问题：

1. 关于视频拍照：如果我把展示视频流的那个控件隐藏掉，那拍出来的照片就是黑的。在微信小程序里就不会有这个问题。原因是，它拍照的原理是，通过 canvas 控件在 video 控件上截图，如果你隐藏掉了，自然没有图可截，就是黑的。我找了很多资料，貌似没有别的解决方法，所以我只能把视频放很小，放角落里……
2. 关于录音：js 调用硬件就是很有限制。因为我后面想接百度语音识别的 api，该 api 仅支持采样率 16000 或者 8000 的音频，但是 js 默认录音采样率 48000。我找到一些人说，在 constrains 里面传参，但是，不仅没用，而且传了之后会导致音频损坏……然后问了 chatgpt，它说 js 很难变，只能你先录好，然后通过代码改采样率。我试了直接传音频到服务器，然后 python 代码改采样率。但是 python 代码改采样率用的那个包，在 Windows 下运行会报错，还得下一个软件怎么怎么设置……就是很麻烦。所以，暂时没有找到优雅的解决方案。

html

                 { url_for('static', filename='css/full_button.css') }}" type="text/css">       
         
                                   
         
答案等待中...
     
      
         拍摄照片         录音         描述图片         回答问题     
  {#    #}                       

javascript 的部分

有两个文件，放在 static 文件夹的 js 文件夹下：

user_camera.js

class SnapVideo {     // 摄像头流媒体     stream;     // 页面dom     videoElement = document.getElementById('videoElement');     snapButton = document.getElementById('snapButton');     photoElement = document.getElementById('photo');     constructor() {         const constraints = {             audio: true,             video: {                 facingMode: "environment",  // "user" 代表前置摄像头                 width: 448,  // 视频宽度                 height: 448,                 frameRate: 60,  // 每秒 60 帧             }         };         // 绑定方法         this.snapButton.onclick = () => this.takeSnapshot();         // this.videoElement.width = constraints.video.width;         // this.videoElement.height = constraints.video.height;         // 获取摄像头流媒体         this.getUserMedia(constraints, (stream) => {             // 摄像头流媒体成功回调             this.stream = stream;             this.videoElement.srcObject = stream;         }, (e) => {             // 摄像头流媒体失败回调             if (e.message === 'Permission denied') {                 alert('您已经禁止使用摄像头');             }             console.log('navigator.getUserMedia error: ', e);         })     }     getUserMedia(constrains, success, error) {         if (navigator.mediaDevices && navigator.mediaDevices.getUserMedia) {             //最新的标准API             navigator.mediaDevices.getUserMedia(constrains).then(success).catch(error);         } else if (navigator.webkitGetUserMedia) {             //webkit核心浏览器             navigator.webkitGetUserMedia(constraints, success, error)         } else if (navigator.getUserMedia) {             //旧版API             navigator.getUserMedia(constraints, success, error);         }     }     // 拍照     takeSnapshot() {         console.log('点击了拍摄按钮');         // 利用 canvas 截取视频图片         const canvas = document.createElement('canvas');         const context = canvas.getContext('2d');         canvas.width = this.videoElement.videoWidth;         canvas.height = this.videoElement.videoHeight;         context.drawImage(this.videoElement, 0, 0, canvas.width, canvas.height);         this.photoElement.src = canvas.toDataURL('image/png');         canvas.toBlob(function (blob) {         	// 把 blob 赋给 imageBlob；注意这个 imageBlob 是在 html 文件中声明的！！             imageBlob = new Blob([blob], {type: "image/png"});         }, "image/png", 1);         // this.photoElement.style.display = 'block';     } }  new SnapVideo(); 

另一个文件是 user_recorder.js

// 录音 const recordBtn = document.getElementById('recorderButton');  if (navigator.mediaDevices.getUserMedia) {     let chunks = [];     // 注意，这里这个 audio 传参只能传 true，传别的，录到的音频就是损坏的！！     const constraints = { audio: true };     navigator.mediaDevices.getUserMedia(constraints).then(         stream => {             const mediaRecorder = new MediaRecorder(stream);             recordBtn.onclick = () => {                 console.log("点击");                 if (mediaRecorder.state === "recording") {                     mediaRecorder.stop();                     recordBtn.textContent = "录音结束";                 } else {                     mediaRecorder.start();                     recordBtn.textContent = "录音中...";                 }             };             mediaRecorder.ondataavailable = e => {                 chunks.push(e.data);             };             mediaRecorder.onstop = e => {             	// 一样的，把 blob 赋给 speechBlob，这个也是在 html 里面的