Android 语音识别入门实战：从零构建高准确率语音转文本应用

1次阅读

没有评论

共计 2876 个字符，预计需要花费 8 分钟才能阅读完成。

移动端语音识别技术让智能助手、实时字幕等场景成为可能，大幅提升了人机交互效率。作为开发者，快速实现稳定可靠的语音转文本功能是增强应用竞争力的关键。

在 Android 平台上，我们主要面对两种语音识别方案选择：

SpeechRecognizer（系统内置 API）
必须联网使用，依赖 Google 语音服务
延迟较高（通常 1 - 3 秒）但准确率优秀
免费且兼容 Android 4.1+ 设备
ML Kit 语音识别 API
支持离线模式（需下载约 200MB 模型文件）
延迟可控制在 800ms 内
需要 Firebase 依赖，部分高级功能收费

对于新手项目，建议优先使用 SpeechRecognizer 快速验证功能，后期再根据需求考虑迁移到 ML Kit。

在 AndroidManifest.xml 中添加：

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

private fun checkAudioPermission() {
    when {
        ContextCompat.checkSelfPermission(
            this,
            Manifest.permission.RECORD_AUDIO
        ) == PackageManager.PERMISSION_GRANTED -> {startVoiceRecognition()
        }
        ActivityCompat.shouldShowRequestPermissionRationale(
            this,
            Manifest.permission.RECORD_AUDIO
        ) -> {showPermissionExplanationDialog()
        }
        else -> {
            ActivityCompat.requestPermissions(
                this,
                arrayOf(Manifest.permission.RECORD_AUDIO),
                AUDIO_PERMISSION_CODE
            )
        }
    }
}

val audioFormat = AudioFormat.ENCODING_PCM_16BIT // 16 位采样
val sampleRate = 16000 // 16kHz 采样率
val channelConfig = AudioFormat.CHANNEL_IN_MONO // 单声道
val bufferSize = AudioRecord.getMinBufferSize(
    sampleRate,
    channelConfig,
    audioFormat
) * 2 // 双倍缓冲

class SpeechActivity : AppCompatActivity() {
    private lateinit var speechRecognizer: SpeechRecognizer
    private val audioManager by lazy {getSystemService(AUDIO_SERVICE) as AudioManager }

    override fun onCreate(savedInstanceState: Bundle?) {
        //... 初始化视图
        setupSpeechRecognizer()}

    private fun setupSpeechRecognizer() {speechRecognizer = SpeechRecognizer.createSpeechRecognizer(this).apply {
            setRecognitionListener(object : RecognitionListener {override fun onResults(results: Bundle) {
                    val matches = results.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION)
                    matches?.firstOrNull()?.let { text ->
                        updateUI(text)
                    }
                }

                // 必须实现所有回调方法
                override fun onError(error: Int) {when(error) {SpeechRecognizer.ERROR_NO_MATCH -> showToast("未识别到语音")
                        else -> showToast("识别错误代码: $error")
                    }
                }
                //... 其他回调省略
            })
        }
    }

    fun startListening() {
        audioManager.requestAudioFocus(
            focusChangeListener,
            AudioManager.STREAM_MUSIC,
            AudioManager.AUDIOFOCUS_GAIN_TRANSIENT
        )

        val intent = Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH).apply {putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL, RecognizerIntent.LANGUAGE_MODEL_FREE_FORM)
            putExtra(RecognizerIntent.EXTRA_PARTIAL_RESULTS, true)
        }
        speechRecognizer.startListening(intent)
    }
}

采用环形缓冲区处理音频流
每 2 秒强制 flush 一次识别请求
使用 WeakReference 持有 Activity 引用

private var retryCount = 0

override fun onError(error: Int) {if(error == ERROR_SPEECH_TIMEOUT && retryCount < 3) {
        retryCount++
        Handler(Looper.getMainLooper()).postDelayed({ startListening() },
            1000L
        )
    }
}