Android Vosk 离线语音识别实战：从零构建完整可运行项目

共计 1618 个字符，预计需要花费 5 分钟才能阅读完成。

背景痛点

移动端离线语音识别在隐私保护和网络不可靠场景下越来越重要，但传统方案存在明显缺陷：

• 隐私问题 ：云端识别需要上传用户语音数据，存在泄露风险
• 网络依赖 ：弱网环境下识别延迟高甚至无法使用
• 资源占用 ：本地模型通常体积大，内存消耗高

技术选型

对比主流方案：

1. Android 原生 SpeechRecognizer
2. 优点：系统集成，使用简单

3. 缺点：必须联网，不支持离线

4. ML Kit 语音识别

5. 优点：Google 技术支持，准确率较高

6. 缺点：仍需联网，部分功能受限

7. Vosk

8. 跨平台支持（Android/iOS/PC）
9. 模型可压缩到 20MB 以下
10. 完全离线工作
11. 支持多语言热切换

实现细节

1. 集成 Vosk Android AAR

关键步骤：

1. 下载最新 Vosk Android SDK
2. 将 AAR 文件放入 libs 目录
3. 在 build.gradle 中添加依赖：

implementation files('libs/vosk-android-0.3.45.aar')

ProGuard 配置要点：

-keep class org.vosk.** {*;}
-keep class com.sun.jna.** {*;}

2. 音频流处理

使用 Kotlin 协程实现高效音频采集：

// NOTE: 使用 Dispatcher.IO 避免阻塞主线程
CoroutineScope(Dispatchers.IO).launch {
    val recorder = AudioRecord(
        MediaRecorder.AudioSource.VOICE_RECOGNITION,
        16000,  // 采样率
        AudioFormat.CHANNEL_IN_MONO,
        AudioFormat.ENCODING_PCM_16BIT,
        bufferSize
    )

    recorder.startRecording()
    while (isActive) {val read = recorder.read(buffer, 0, buffer.size)
        if (read > 0) {recognizer.acceptWaveForm(buffer, read)
        }
    }
}

3. 模型热加载

轻量模型（20MB）vs. 大模型（1GB+）选择策略：

• 移动端推荐使用 small 模型
• 大模型适合对准确率要求高的场景
• 动态加载示例：

fun loadModel(modelPath: String) {
    // NOTE: 在后台线程执行模型加载
    Model(modelPath).use { model ->
        Recognizer(model, 16000f).use { recognizer ->
            // ... 识别处理
        }
    }
}

性能优化

延迟优化

在 Redmi Note 10 上实现 <300ms 延迟的技巧：

1. 使用 16000Hz 采样率
2. 音频分块大小为 2048 字节
3. 关闭不必要的日志输出
4. 预热模型（提前加载）

测试数据：

内存泄漏检测

特殊配置 LeakCanary：

// 在 Application 中
if (!BuildConfig.DEBUG) return

LeakCanary.config = LeakCanary.config.copy(
    dumpHeap = true,
    retainedVisibleThreshold = 3  // 语音识别对象较大
)

避坑指南

1. 中文模型必须设置 16000Hz 采样率
2. 音频分块策略
3. 过大会导致 UI 卡顿
4. 过小增加识别次数
5. 推荐 2048-4096 字节
6. 离线模型校验
7. 首次运行时检查模型 MD5
8. 损坏时自动重新下载

代码规范

遵循 Jetpack 最佳实践：

1. 使用 ViewModel 管理识别状态
2. LiveData 通知 UI 更新
3. 关键处添加 NOTE 注释：

// NOTE: 必须使用 use() 确保资源释放
Recognizer(model, 16000f).use { recognizer ->
    // ...
}

延伸思考

当前项目实现了标准普通话识别，但如何支持带口音的方言？可能的思路：

1. 收集方言语音数据训练定制模型
2. 在现有模型基础上进行微调 (fine-tuning)
3. 实现方言到标准话的转换层

欢迎在评论区分享你的解决方案！