Android语音识别开发实战：从零构建高准确率语音转文本应用

1次阅读

共计 2422 个字符，预计需要花费 7 分钟才能阅读完成。

根据 Statista 2023 年报告，全球语音识别市场规模预计在 2025 年达到 270 亿美元 ，其中移动端应用占比超过 60%。Android 设备日均语音交互次数从 2021 年的 35 亿次飙升至 2023 年的 89 亿次，这种增长主要来自以下场景：

智能家居控制（占比 42%）
车载语音助手（占比 28%）
无障碍应用（占比 17%）

优点：

零集成成本，系统级支持
自动处理网络回退（Android 4.1+）
基础识别免费

缺点：

中文识别准确率仅约 85%
必须依赖 Google 服务框架
不支持离线模式

特性：

准确率提升至 92%（中文普通话）
支持 60+ 语言实时识别
可选下载离线模型

以科大讯飞为例：

特性	免费版	企业版
方言支持	5 种	23 种
并发限制	10 次 / 分钟	无限制
价格	免费	￥1.2/ 千次

<!-- AndroidManifest.xml -->
<uses-permission android:name="android.permission.RECORD_AUDIO" />
<uses-permission android:name="android.permission.INTERNET" />

动态申请代码（Kotlin）：

// 检查 Android 6.0+ 运行时权限
if (ContextCompat.checkSelfPermission(this, 
    Manifest.permission.RECORD_AUDIO) != PackageManager.PERMISSION_GRANTED) {

    ActivityCompat.requestPermissions(
        this,
        arrayOf(Manifest.permission.RECORD_AUDIO),
        REQUEST_CODE_AUDIO_PERMISSION
    )
}

采样率转换实现（需注意 Android 10+ 的音频限制）：

// 将 44.1kHz 转为 16kHz 以适应大多数 API 要求
fun convertSampleRate(input: ByteArray, 
                      inputRate: Int = 44100, 
                      outputRate: Int = 16000): ByteArray {val ratio = inputRate.toFloat() / outputRate
    val output = ByteArray((input.size / ratio).toInt())

    // 线性插值算法...
    return output
}

class VoiceRecognitionViewModel : ViewModel() {
    private val recognizer: SpeechRecognizer by lazy {SpeechRecognizer.createSpeechRecognizer(context)
    }

    override fun onCleared() {recognizer.destroy() // 避免内存泄漏
        super.onCleared()}
}

使用 Coroutine 实现非阻塞监听：

viewModelScope.launch {
    recognizer.setRecognitionListener(object : RecognitionListener {override fun onResults(results: Bundle?) {results?.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION)?.let {// 更新 UI}
        }
    })
}

机型	SpeechRecognizer	ML Kit
Pixel 6	320ms	280ms
小米 11	410ms	350ms
华为 Mate 40	不支持	380ms

降低采样率 ：16kHz 足以满足语音识别需求
批量传输 ：每 500ms 发送一次音频数据包
传感器协同 ：配合加速度计检测用户是否在说话

// ML Kit 配置参数
val options = TranslatorOptions.Builder()
    .setSourceLanguage(TranslateLanguage.CHINESE)
    .setTargetLanguage(TranslateLanguage.ENGLISH)
    .setModelDownloadConditions(...)
    .build()

在 Service 中启动识别
使用 Foreground Service 并显示持续通知（Android 8.0+）
定期调用 AudioRecord.getMinBufferSize() 保持活跃

val audioAttributes = AudioAttributes.Builder()
    .setUsage(AudioAttributes.USAGE_VOICE_COMMUNICATION)
    .setContentType(AudioAttributes.CONTENT_TYPE_SPEECH)
    .build()

val focusRequest = AudioFocusRequest.Builder(AudioManager.AUDIOFOCUS_GAIN_TRANSIENT)
    .setAudioAttributes(audioAttributes)
    .setAcceptsDelayedFocusGain(true)
    .build()