Android Studio语音识别算法入门指南：从零搭建到性能调优

1次阅读

共计 2702 个字符，预计需要花费 7 分钟才能阅读完成。

语音交互已成为现代 App 的基础能力，从微信语音输入到智能家居的声控灯光，背后都依赖可靠的语音识别技术。但开发过程中常遇到三大痛点：

网络依赖性 ：云端 API 在弱网环境下延迟高达 5 - 8 秒
环境噪声干扰 ：实测显示咖啡厅背景音会使识别准确率下降 40%
设备兼容性问题 ：某些厂商的麦克风采样率锁定在 44.1kHz 导致格式转换异常

优点：
零集成成本，系统级支持
自动处理权限申请
缺点：
必须连接 Google 服务
无法定制音频预处理流程

优点：
支持离线模式（需下载 200MB 模型）
提供自动语言检测
缺点：
国内需要配置特殊域名
免费版有每分钟调用次数限制

graph TD
  A[需要离线功能?] -->| 是 | B(选择 ML Kit)
  A -->| 否 | C{是否国内发布?}
  C -->| 是 | D[使用阿里云语音 SDK]
  C -->| 否 | E[优先 SpeechRecognizer]

// 使用 AudioRecord 配置 16kHz 采样率
val audioRecord = AudioRecord(
    MediaRecorder.AudioSource.VOICE_RECOGNITION, // 专为语音优化
    16000, // 采样率
    AudioFormat.CHANNEL_IN_MONO, // 单声道
    AudioFormat.ENCODING_PCM_16BIT, // 16bit 深度
    bufferSize
).apply {startRecording() // 需在子线程执行
}

// 协程处理音频流
viewModelScope.launch(Dispatchers.IO) {val buffer = ShortArray(bufferSize)
    while (isRecording) {val read = audioRecord.read(buffer, 0, bufferSize)
        if (read > 0) {processAudioChunk(buffer) // 后续处理
        }
    }
}

fun processAudioChunk(rawData: ShortArray) {
    // 降噪处理（简易版）val filtered = rawData.map { sample ->
        if (abs(sample) < 500) 0 else sample // 过滤低振幅噪声
    }.toShortArray()

    // PCM 转 WAV 格式头（ML Kit 要求）val wavHeader = byteArrayOf(
        // RIFF 头省略...
        0x10, 0x00, 0x00, 0x00, // Subchunk1Size
        0x01, 0x00,             // AudioFormat
        0x01, 0x00,             // NumChannels
        0x80, 0x3E, 0x00, 0x00, // SampleRate 16000
        // 其他必要参数...
    )

    val output = wavHeader + filtered.toByteArray()
    uploadToRecognizer(output)
}

// 指数退避重试机制
suspend fun recognizeWithRetry(
    audioData: ByteArray,
    maxRetries: Int = 3
): Result<String> {
    var currentDelay = 1000L // 初始延迟 1 秒
    repeat(maxRetries) { attempt ->
        try {return api.recognize(audioData) // 网络请求
        } catch (e: IOException) {if (attempt == maxRetries - 1) throw e
            delay(currentDelay)
            currentDelay *= 2 // 延迟加倍
        }
    }
    return Result.failure(IllegalStateException())
}

模型类型	内存占用	冷启动时间
ML Kit 离线	210MB	1.8s
阿里云精简版	95MB	0.9s
TensorFlow Lite	65MB	2.1s

打开 Android Profiler
录制 30 秒语音识别过程
关注 AudioRecord 和网络线程的 CPU 占比
典型异常：
AudioTrack 持续占用 >15% → 检查采样率配置
GC 频繁触发 → 优化音频缓存池

<!-- 在 AndroidManifest.xml 中添加 -->
<meta-data
    android:name="com.google.android.gms.version"
    android:value="@integer/google_play_services_version" />
<!-- 网络白名单 -->
<uses-permission android:name="android.permission.ACCESS_NETWORK_STATE" />

// 检查录音权限
fun checkPermission() = ContextCompat.checkSelfPermission(
    this,
    Manifest.permission.RECORD_AUDIO
) == PackageManager.PERMISSION_GRANTED

// 被拒绝后引导用户
if (shouldShowRequestPermissionRationale(Manifest.permission.RECORD_AUDIO)) {AlertDialog.Builder(this)
        .setMessage("需要麦克风权限实现语音功能")
        .setPositiveButton("去设置") { _, _ ->
            startActivity(Intent(Settings.ACTION_APPLICATION_DETAILS_SETTINGS).apply {data = Uri.fromParts("package", packageName, null)
            })
        }
        .show()}