Android Studio开发语音识别：从零构建到性能优化实战

1次阅读

没有评论

共计 3137 个字符，预计需要花费 8 分钟才能阅读完成。

在移动应用中集成语音识别功能越来越常见，但开发者经常会遇到几个关键问题：

延迟问题：从用户说话到看到识别结果，中间可能有明显的延迟，影响用户体验
离线支持：很多语音识别方案依赖云服务，无法在无网络环境下工作
隐私合规：处理用户语音数据需要特别注意隐私保护和权限管理
识别准确率：特别是在嘈杂环境或带口音情况下，识别效果可能大打折扣

Android 平台上主要有两种语音识别方案：

本地识别(Android 原生 API)
优点：响应快、无需网络、隐私性好
缺点：识别准确率较低、支持的语种有限
适用场景：简单的语音命令识别、离线应用
云端识别(Google Cloud API)
优点：识别准确率高、支持多种语言和方言
缺点：依赖网络、可能有延迟、需要处理 API 配额和费用
适用场景：需要高精度识别的场景、多语言支持

Android 提供了 SpeechRecognizer 类来实现基本的语音识别功能。以下是关键步骤：

检查并请求录音权限
创建 SpeechRecognizer 实例
设置识别监听器
开始识别

对于更高级的需求，可以集成 Google Cloud Speech-to-Text API：

在 Google Cloud 控制台创建项目并启用 Speech-to-Text API
生成服务账号密钥
在 Android 应用中集成 Google 客户端库
配置音频流和识别参数

正确处理麦克风权限和音频焦点是确保良好用户体验的关键：

动态请求 RECORD_AUDIO 权限
处理权限拒绝场景
管理音频焦点，避免与其他应用冲突
适当处理音频中断事件

// 检查权限
if (ContextCompat.checkSelfPermission(this, Manifest.permission.RECORD_AUDIO) 
    != PackageManager.PERMISSION_GRANTED) {
    ActivityCompat.requestPermissions(this, 
        arrayOf(Manifest.permission.RECORD_AUDIO), 
        RECORD_AUDIO_REQUEST_CODE)
} else {startListening()
}

// 创建 SpeechRecognizer
val speechRecognizer = SpeechRecognizer.createSpeechRecognizer(this).apply {
    setRecognitionListener(object : RecognitionListener {override fun onReadyForSpeech(params: Bundle) {// 准备就绪}

        override fun onResults(results: Bundle) {
            // 处理识别结果
            val matches = results.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION)
            matches?.firstOrNull()?.let { recognizedText ->
                // 更新 UI 显示识别结果
            }
        }

        // 其他回调方法...
    })
}

// 开始识别
val intent = Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH).apply {putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL, RecognizerIntent.LANGUAGE_MODEL_FREE_FORM)
    putExtra(RecognizerIntent.EXTRA_LANGUAGE, Locale.getDefault())
}
speechRecognizer.startListening(intent)

// 创建 SpeechClient
val speechClient = SpeechClient.create()

// 配置识别请求
val config = RecognitionConfig.newBuilder()
    .setEncoding(RecognitionConfig.AudioEncoding.LINEAR16)
    .setSampleRateHertz(16000)
    .setLanguageCode("zh-CN")
    .build()

// 处理音频流
val streamingConfig = StreamingRecognitionConfig.newBuilder()
    .setConfig(config)
    .setInterimResults(true)
    .build()

// 创建响应观察者处理结果
val responseObserver = object : SpeechGrpc.SpeechStub.StreamingRecognizeResponseObserver() {override fun onNext(response: StreamingRecognizeResponse) {// 处理实时识别结果}

    override fun onError(t: Throwable) {// 处理错误}

    override fun onCompleted() {// 识别完成}
}

// 开始流式识别
val requestObserver = speechClient.streamingRecognize(responseObserver)
requestObserver.onNext(StreamingRecognizeRequest.newBuilder()
        .setStreamingConfig(streamingConfig)
        .build())

// 发送音频数据
while (/* 有音频数据 */) {
    val audioBytes = /* 获取音频数据 */
    requestObserver.onNext(StreamingRecognizeRequest.newBuilder()
            .setAudioContent(ByteString.copyFrom(audioBytes))
            .build())
}