Android Studio集成百度语音识别AIP实战：从接入到性能优化

1次阅读

共计 3193 个字符，预计需要花费 8 分钟才能阅读完成。

在移动端开发中，集成语音识别功能常常面临几个核心挑战：

网络波动问题：语音识别需要实时传输音频数据，网络延迟或不稳定会直接影响识别效果和用户体验
音频格式兼容性：不同设备和系统版本对音频采集格式的支持存在差异，需要妥善处理
权限管理复杂：Android 系统的权限机制不断更新，特别是 Android 10+ 的存储权限限制带来新的适配难题
性能优化需求：语音识别作为实时交互功能，对内存占用、CPU 使用率都有较高要求

主流语音识别服务提供商各有特点：

服务商	延迟	准确率	费用	特点
百度 AIP	中等	高	适中	文档完善，适合快速集成
阿里云智能语音	较低	较高	较高	适合企业级应用
科大讯飞 SDK	低	高	高	离线识别能力强

百度 AIP 在综合性价比和开发便捷性上具有优势，特别适合中小型应用快速集成。

在百度 AI 开放平台创建应用，获取 API Key 和 Secret Key
在 Android Studio 项目的 build.gradle 中添加依赖：

implementation 'com.baidu.aip:java-sdk:4.16.0'

添加网络权限和音频录制权限：

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

class BaiduAuthHelper {
    companion object {
        private const val TOKEN_URL = "https://aip.baidubce.com/oauth/2.0/token"

        suspend fun getAccessToken(apiKey: String, secretKey: String): String? {return withContext(Dispatchers.IO) {
                try {
                    val params = mapOf(
                        "grant_type" to "client_credentials",
                        "client_id" to apiKey,
                        "client_secret" to secretKey
                    )

                    val response = OkHttpClient().newCall(Request.Builder()
                            .url("$TOKEN_URL?${params.toQueryString()}")
                            .build()).execute()

                    JSONObject(response.body?.string()).getString("access_token")
                } catch (e: Exception) {null}
            }
        }
    }
}

建议使用 MediaRecorder 采集音频，设置合适的采样率：

private fun setupAudioRecorder(): MediaRecorder {return MediaRecorder().apply {setAudioSource(MediaRecorder.AudioSource.MIC)
        setOutputFormat(MediaRecorder.OutputFormat.THREE_GPP)
        setAudioEncoder(MediaRecorder.AudioEncoder.AMR_NB)
        setAudioSamplingRate(16000) // 16kHz 采样率
        setAudioEncodingBitRate(16000) // 16kbps 比特率
        setOutputFile(File(cacheDir, "temp_audio.3gp").absolutePath)
    }
}

class SpeechRecognitionService {private val client = OkHttpClient.Builder()
        .retryOnConnectionFailure(true)
        .addInterceptor(RetryInterceptor(maxRetries = 3))
        .build()

    suspend fun recognizeSpeech(
        audioData: ByteArray, 
        accessToken: String
    ): Result<String> {return withContext(Dispatchers.IO) {
            try {val request = Request.Builder()
                    .url("https://aip.baidubce.com/rpc/2.0/ai_custom/v1/speech/recognize?access_token=$accessToken")
                    .post(RequestBody.create("audio/pcm;rate=16000".toMediaType(), 
                        audioData
                    ))
                    .build()

                val response = client.newCall(request).execute()
                val result = JSONObject(response.body?.string())

                if (result.has("error_code")) {Result.failure(Exception(result.getString("error_msg")))
                } else {Result.success(result.getJSONArray("result").getString(0))
                }
            } catch (e: Exception) {Result.failure(e)
            }
        }
    }
}

class RetryInterceptor(private val maxRetries: Int) : Interceptor {override fun intercept(chain: Interceptor.Chain): Response {
        var retryCount = 0
        var response: Response
        var request = chain.request()

        while (true) {
            try {response = chain.proceed(request)
                if (response.isSuccessful || retryCount >= maxRetries) {return response}
            } catch (e: IOException) {if (retryCount >= maxRetries) throw e
            }

            retryCount++
            Thread.sleep(1000 * retryCount)
        }
    }
}

在不同网络环境下测试识别延迟（测试设备：小米 10，音频时长 3 秒）：