Android Studio语音识别开发实战：从零搭建到性能优化

共计 2806 个字符，预计需要花费 8 分钟才能阅读完成。

背景痛点

移动端语音识别看似简单，实际开发中常遇到以下问题：

• 环境噪音干扰 ：手机麦克风采集的音频常混入背景杂音，导致识别准确率骤降
• 多语言支持 ：中文混合英文的语音输入处理不当会出现乱码
• 连续识别稳定性 ：长时间录音时容易因内存不足或 Session 超时中断

技术方案选型

Google Speech-to-Text API

适合需要云端处理的场景：

• 优势：支持 100+ 语言、自动标点、支持离线包下载
• 缺点：依赖网络、有 QPS 限制（免费版每分钟 60 次）

ML Kit 本地方案

适合实时性要求高的场景：

• 优势：离线运行、延迟 <300ms、无网络费用
• 缺点：仅支持 8 种语言、模型文件占用 15MB 存储空间

核心实现步骤

1. 基础环境配置

在 build.gradle 中添加依赖：

dependencies {
    implementation 'androidx.core:core-ktx:1.9.0'
    implementation 'com.google.android.gms:play-services-mlkit-speech-recognition:16.1.0'
}

2. 动态权限申请

注意 Android 11+ 需要额外申请 MANAGE_EXTERNAL_STORAGE 权限：

private fun checkPermissions() {
    val requiredPermissions = arrayOf(
        Manifest.permission.RECORD_AUDIO,
        Manifest.permission.INTERNET
    )

    if (Build.VERSION.SDK_INT >= Build.VERSION_CODES.R) {
        requestPermissions(requiredPermissions + 
            arrayOf(Manifest.permission.MANAGE_EXTERNAL_STORAGE), 
            REQUEST_CODE)
    } else {requestPermissions(requiredPermissions, REQUEST_CODE)
    }
}

3. SpeechRecognizer 初始化

关键参数说明：

• LANGUAGE_MODEL_FREE_FORM：适合自然对话场景
• SAMPLE_RATE_16000：平衡识别精度与带宽消耗的最佳采样率

val speechRecognizer = SpeechRecognizer
    .createSpeechRecognizer(context).apply {
        setRecognitionListener(object : RecognitionListener {override fun onResults(results: Bundle) {
                // 处理识别结果
                val matches = results.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION)
                matches?.firstOrNull()?.let {showText(it) 
                }
            }

            override fun onError(error: Int) {when (error) {
                    SpeechRecognizer.ERROR_NO_MATCH -> 
                        toast("未识别到语音")
                    ERROR_SPEECH_TIMEOUT -> 
                        restartListening()}
            }
        })
    }

fun startListening() {val intent = Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH).apply {
        putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL, 
            RecognizerIntent.LANGUAGE_MODEL_FREE_FORM)
        putExtra(RecognizerIntent.EXTRA_SAMPLE_RATE, 16000)
    }
    speechRecognizer.startListening(intent)
}

性能优化实战

预加载方案

在 Application.onCreate() 预初始化识别器：

class MyApp : Application() {
    lateinit var warmRecognizer: SpeechRecognizer

    override fun onCreate() {super.onCreate()
        // 预加载避免首次调用延迟
        warmRecognizer = SpeechRecognizer
            .createSpeechRecognizer(this)
    }
}

大数据量处理

使用 WorkManager 分片处理长语音：

class VoiceChunkWorker(
    context: Context,
    params: WorkerParameters
) : CoroutineWorker(context, params) {override suspend fun doWork(): Result {val audioFile = File(context.cacheDir, "temp.pcm")
        return try {
            // 分片处理逻辑
            processInChunks(audioFile)
            Result.success()} catch (e: OutOfMemoryError) {Result.retry()
        }
    }
}

避坑指南

中国区设备适配

需要检测 GMS 可用性：

fun isGmsAvailable(): Boolean {
    return try {GoogleApiAvailability.getInstance()
            .isGooglePlayServicesAvailable(context) == ConnectionResult.SUCCESS
    } catch (e: Exception) {false}
}

连续识别保活

通过定时发送空音频包维持 Session：

private val keepAliveTimer = Timer().scheduleAtFixedRate(
    initialDelay = 30000, 
    period = 25000
) {speechRecognizer.destroy()
    speechRecognizer = createSpeechRecognizer()}

思考与延伸

尝试用 Jetpack Compose 的 Canvas API 实时绘制声波纹：

@Composable
fun VoiceWaveform(amplitude: Float) {Canvas(modifier = Modifier.fillMaxWidth().height(80.dp)) {
        drawRect(
            color = Color.Blue,
            size = Size(width = 10f, height = amplitude * 100)
        )
    }
}

实际开发中，建议结合 Android 的 AudioRecord 获取原始 PCM 数据来计算实时振幅。这个方案你觉得实现难度如何？欢迎在评论区讨论你的优化思路！