Android Studio开发语音识别：从基础实现到性能优化的完整指南

1次阅读

没有评论

共计 3710 个字符，预计需要花费 10 分钟才能阅读完成。

语音识别在移动应用中越来越常见，但开发过程中往往会遇到几个典型问题：

网络延迟 ：云端识别服务受网络质量影响明显，尤其在弱网环境下响应时间可能达到 2 - 3 秒
背景噪音 ：手机麦克风采集的音频常包含环境杂音，导致识别准确率下降 30%-40%
电量消耗 ：持续音频采集会使 CPU 保持活跃状态，实测显示每小时可能多消耗 15%-20% 电量
兼容性问题 ：Android 碎片化严重，不同厂商设备对录音权限的处理方式存在差异

目前主流的语音识别方案可分为三类：

Google Speech-to-Text
优势：原生集成 Android 系统，识别准确率高 (实测英文 95%+)，支持 100+ 语言
劣势：完全依赖网络连接，部分区域服务不稳定
百度语音识别
优势：中文场景优化更好，提供离线识别包
劣势：国际支持较弱，SDK 体积较大 (约增加 APK 4-6MB)
本地化引擎 (如 CMU Sphinx)
优势：完全离线工作，隐私性好
劣势：识别准确率较低 (约 70-80%)，需要训练自定义模型

对于大多数需要平衡性能和准确率的场景，推荐使用 Google Speech-to-Text 作为基础方案，关键业务场景可结合百度离线包作为 fallback。

implementation 'com.google.android.gms:play-services-speech:20.4.0'

private val speechRecognizer: SpeechRecognizer by lazy {SpeechRecognizer.createSpeechRecognizer(context).apply {
        setRecognitionListener(object : RecognitionListener {override fun onResults(results: Bundle) {
                // 处理识别结果
                results.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION)?.let {updateUI(it[0]) // 取置信度最高的结果
                }
            }
            // 其他回调方法省略...
        })
    }
}

fun startListening() {val intent = Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH).apply {
        putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL, 
            RecognizerIntent.LANGUAGE_MODEL_FREE_FORM)
        putExtra(RecognizerIntent.EXTRA_MAX_RESULTS, 3) // 返回 3 个候选结果
    }
    speechRecognizer.startListening(intent)
}

通过 AudioRecord 进行原始音频采集时可实施优化：

val bufferSize = AudioRecord.getMinBufferSize(
    16000,  // 采样率 16kHz 足够语音识别
    AudioFormat.CHANNEL_IN_MONO,
    AudioFormat.ENCODING_PCM_16BIT
)

val audioRecord = AudioRecord(
    MediaRecorder.AudioSource.VOICE_RECOGNITION, // 专用语音识别音源
    16000,
    AudioFormat.CHANNEL_IN_MONO,
    AudioFormat.ENCODING_PCM_16BIT,
    bufferSize
)

// 简单的降噪处理
fun applyNoiseSuppression(buffer: ShortArray) {for (i in 1 until buffer.size) {
        // 简单的移动平均滤波
        buffer[i] = ((buffer[i-1] + buffer[i]) / 2).toShort()}
}

// 累积 5 秒音频后一次性发送
val audioBuffer = mutableListOf<ByteArray>()
val handler = Handler(Looper.getMainLooper())

val flushRunnable = Runnable {sendToCloud(audioBuffer.joinToString("") {it.decodeToString() })
    audioBuffer.clear()}

fun onAudioData(data: ByteArray) {audioBuffer.add(data)
    handler.removeCallbacks(flushRunnable)
    handler.postDelayed(flushRunnable, 5000) // 5 秒后触发发送
}

使用 Room 实现本地结果缓存：

@Entity
data class SpeechCache(
    @PrimaryKey val audioHash: String,
    val transcript: String,
    val timestamp: Long = System.currentTimeMillis())

@Dao
interface SpeechDao {@Query("SELECT * FROM SpeechCache WHERE audioHash = :hash")
    fun getByHash(hash: String): SpeechCache?

    @Insert
    fun insert(cache: SpeechCache)
}

音频特征哈希算法：

fun generateAudioHash(data: ByteArray): String {val md = MessageDigest.getInstance("SHA-256")
    val digest = md.digest(data)
    return digest.fold("") {str, it -> str +"%02x".format(it) }
}

Android 11+ 需要特殊处理麦克风权限：

<!-- AndroidManifest.xml -->
<uses-permission android:name="android.permission.RECORD_AUDIO" />
<queries>
    <intent>
        <action android:name="android.speech.RecognitionService" />
    </intent>
</queries>

动态权限检查：

if (Build.VERSION.SDK_INT >= Build.VERSION_CODES.M) {if (checkSelfPermission(RECORD_AUDIO) != PERMISSION_GRANTED) {requestPermissions(arrayOf(RECORD_AUDIO), REQUEST_RECORD_AUDIO)
    }
}

使用 JobScheduler 在充电时执行批量识别

检测设备温度 API 避免过热：

val manager = getSystemService(ThermalManager::class.java)
if (manager.currentThermalStatus >= ThermalManager.THERMAL_STATUS_SEVERE) {// 停止语音采集}

对于垂直领域（如医疗术语），可训练自定义模型：

使用 TensorFlow Lite 加载预训练模型：

val options = Interpreter.Options().apply {setNumThreads(4)
}
val interpreter = Interpreter(loadModelFile(), options)

fun recognize(audioData: FloatArray): String {val input = arrayOf(audioData)
    val output = Array(1) {FloatArray(VOCAB_SIZE) }
    interpreter.run(input, output)
    return decodeOutput(output[0])
}