Android Vosk离线语音识别实战：从集成到完整可运行项目的避坑指南

1次阅读

共计 2017 个字符，预计需要花费 6 分钟才能阅读完成。

在移动端实现离线语音识别，开发者通常会遇到三个核心挑战：

模型体积过大：主流语音识别模型往往超过 200MB，严重影响 APK 体积和加载速度
实时性要求高：流式处理需要平衡延迟与性能，不当的线程管理会导致 UI 卡顿
能耗控制困难：持续运行的语音识别会快速消耗电量，特别是低端设备上 CPU 占用率飙升

方案	离线支持	中文准确率	模型体积	定制灵活性
Android 原生 SpeechRecognizer	❌	中等	无	低
MLKit 语音识别	✅	高	80MB+	中
Vosk	✅	高	可裁剪	高

Vosk 的核心优势在于：

完全离线的 Apache 2.0 授权
支持动态加载不同语言模型
提供细粒度的音频流处理 API

// build.gradle 依赖配置
dependencies {
    implementation 'net.java.dev.jna:jna:5.12.1'
    implementation 'com.alphacephei:vosk-android:0.3.47'
    // 模型文件需手动放入 assets 目录
}

使用内存映射加速模型加载：

fun loadModel(context: Context, modelName: String): Model? {
    return try {
        // 将模型文件复制到内部存储
        val modelFile = File(context.filesDir, modelName)
        if (!modelFile.exists()) {context.assets.open(modelName).use { input ->
                FileOutputStream(modelFile).use { output ->
                    input.copyTo(output)
                }
            }
        }
        // 使用内存映射加载
        Model(modelFile.absolutePath)
    } catch (e: IOException) {Log.e("Vosk", "Model loading failed", e)
        null
    }
}

推荐参数组合（实测 Redmi Note 11 最佳表现）：

private fun setupAudioRecord(): AudioRecord {
    val SAMPLE_RATE = 16000 // 必须与模型匹配
    val BUFFER_SIZE = 1024 * 4 // 4KB 缓冲区

    return AudioRecord(
        MediaRecorder.AudioSource.MIC,
        SAMPLE_RATE,
        AudioFormat.CHANNEL_IN_MONO,
        AudioFormat.ENCODING_PCM_16BIT,
        BUFFER_SIZE
    ).also {if (it.state != AudioRecord.STATE_INITIALIZED) {throw IllegalStateException("AudioRecord 初始化失败")
        }
    }
}

中文模型精简步骤：

下载完整模型：zh-cn 约 200MB
删除 rescore 目录（节省 50MB）
移除 conf/ivector 相关文件（再减 30MB）
使用 vosk-model-small-zh-cn-0.22 作为基线（最终约 50MB）

设备：Redmi Note 11 (骁龙 680)

场景	平均延迟	CPU 占用率
完整模型	320ms	18%
裁剪后模型	280ms	15%
启用热词过滤	240ms	12%

SO 库冲突：

android {
    packagingOptions {
        pickFirst 'lib/armeabi-v7a/libvosk.so'
        exclude 'lib/x86/libvosk.so' // 不需要 x86 支持可移除
    }
}

val recognizer = Recognizer(model, 16000f).apply {
    // 添加业务关键词提升识别率
    setWords(true)
    addGrammar(listOf("登录", "注册", "支付"))
}

@Composable
fun RecognitionResult(text: String) {Box(modifier = Modifier.fillMaxWidth()) {
        Text(
            text = text,
            modifier = Modifier.padding(16.dp),
            style = MaterialTheme.typography.bodyLarge
        )
    }
}

经过三个版本的迭代优化，我们最终将语音识别模块的 APK 增量控制在 12MB 以内，平均响应时间低于 300ms。关键收获：