Android 语音识别文字技术实战：从原理到避坑指南

1次阅读

共计 2681 个字符，预计需要花费 7 分钟才能阅读完成。

语音识别在移动端开发中常遇到三个典型问题：

网络依赖问题 ：大多数云 API 需要稳定网络，在地铁等弱网环境体验直线下降
环境噪声干扰 ：麦克风采集的音频包含背景音乐、人声混杂等干扰因素
多语言适配 ：中英文混合输入时，普通识别引擎准确率可能下降 40%

优点：
系统级集成，无需额外依赖
支持离线识别（需系统语言包支持）
免费调用无次数限制
缺点：
识别精度依赖厂商 ROM 实现
最长录音限制约 60 秒
中文混合识别准确率约 78%

优点：
云端模型准确率可达 92%+
支持实时流式识别
自动处理噪声抑制
缺点：
需要绑定 Firebase
免费版有调用配额限制
离线模型体积较大（约 120MB）

class SpeechActivity : AppCompatActivity() {
    private val speechRecognizer by lazy {SpeechRecognizer.createSpeechRecognizer(this).apply {
            setRecognitionListener(object : RecognitionListener {override fun onResults(results: Bundle) {results.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION)?.let {
                        // 处理识别结果
                        textView.text = it[0]
                    }
                }

                // 必须实现所有回调方法
                override fun onError(error: Int) {when (error) {SpeechRecognizer.ERROR_NO_MATCH -> showToast("未检测到语音")
                        ERROR_SPEECH_TIMEOUT -> showToast("录音超时")
                    }
                }
                // 其他回调省略...
            })
        }
    }

    fun startListening() {Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH).apply {
            // 关键参数配置
            putExtra(RecognizerIntent.EXTRA_LANGUAGE, "zh-CN")
            putExtra(RecognizerIntent.EXTRA_PARTIAL_RESULTS, true) // 实时返回中间结果
            speechRecognizer.startListening(this)
        }
    }
}

降噪处理（需 API 16+）

val audioSource = MediaRecorder.AudioSource.VOICE_RECOGNITION // 专用语音采集源
val sampleRate = 16000 // 16kHz 采样率
val channelConfig = AudioFormat.CHANNEL_IN_MONO
val audioFormat = AudioFormat.ENCODING_PCM_16BIT

val bufferSize = AudioRecord.getMinBufferSize(sampleRate, channelConfig, audioFormat)

val audioRecord = AudioRecord(
    audioSource, sampleRate, channelConfig,
    audioFormat, bufferSize
)

离线模式激活

Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH).apply {putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL, "zh-CN")
    putExtra(RecognizerIntent.EXTRA_PREFER_OFFLINE, true) // 强制离线
}

检测麦克风可用性：

val pm = context.packageManager
val hasMic = pm.hasSystemFeature(PackageManager.FEATURE_MICROPHONE)

华为 / 小米特殊适配：

// 部分厂商需要单独申请录音权限
if (Build.MANUFACTURER.equals("HUAWEI", ignoreCase = true)) {requestPermissions(arrayOf("com.huawei.permission.USE_RECORD"), 100)
}

分段识别：每 45 秒自动分段提交

内存优化：

// 使用环形缓冲区
val ringBuffer = RingBuffer(1024 * 1024) // 1MB 缓存

// ML Kit 专属配置
val sttOptions = FirebaseSpeechRecognizerOptions.Builder()
    .setLanguage("zh")
    .setModel(FirebaseSpeechRecognizerOptions.LANGUAGE_MODEL_CHAT) // 对话优化
    .enableAutomaticPunctuation() // 自动标点
    .build()

指标	SpeechRecognizer	ML Kit
平均响应时间	1.2s	0.8s
CPU 占用率	15%	22%
中文准确率	78%	91%
英文数字识别准确率	65%	89%

@Composable
fun VoiceWave() {val amplitudes = remember { mutableStateListOf<Float>() }

    LaunchedEffect(Unit) {while (true) {
            // 从 AudioRecord 获取实时振幅
            amplitudes.add(getCurrentAmplitude())
            delay(50)
        }
    }

    Canvas(modifier = Modifier.fillMaxWidth().height(80.dp)) {
        // 绘制声波动画
        amplitudes.forEachIndexed { i, amp ->
            drawLine(...)
        }
    }
}

实际开发中建议：
– 简单场景用 SpeechRecognizer 节省成本
– 高要求场景用 ML Kit+ 自定义降噪
– 关键是要做好音频采集阶段的预处理

下次可以试试把识别结果实时投射到 AR 眼镜上，那才是真正的未来交互体验！

正文完