Android Vosk语音识别入门实战：从环境搭建到离线语音转文本

1次阅读

共计 2124 个字符，预计需要花费 6 分钟才能阅读完成。

在移动端开发中，离线语音识别既能保护用户隐私，又能在网络信号不佳的场景下提供稳定的服务。Vosk 作为轻量级开源工具，完美适配这些需求场景。

离线能力 ：Vosk 完全离线运行，Google 服务依赖网络连接
模型大小 ：Vosk 基础英文模型仅 50MB，Google 云端模型通常需 200MB+
多语言支持 ：Vosk 支持 20+ 种语言，Google 服务覆盖更广但需付费

在 app 模块的 build.gradle 中添加以下依赖（注意注释说明的配置要点）：

dependencies {
    // 核心库版本需与模型版本匹配
    implementation 'com.alphacephei:vosk-android:0.3.39' 

    // 音频处理必备库
    implementation 'org.jetbrains.kotlinx:kotlinx-coroutines-android:1.6.4'
    implementation 'androidx.lifecycle:lifecycle-runtime-ktx:2.5.1'
}

推荐将模型存放在应用专属外部存储，避免重复下载：

// 获取模型存储路径（无需权限）val modelDir = getExternalFilesDir("vosk")?.apply {if (!exists()) mkdirs()}

// 下载解压示例（实际项目应增加进度回调）fun downloadModel(url: String) {
    runCatching {File("$modelDir/model.zip").outputStream().use { fos ->
            OkHttpClient().newCall(Request.Builder().url(url).build())
                .execute().body?.byteStream()?.copyTo(fos)
        }
        // 使用 ZipInputStream 解压到目标目录
    }.onFailure {Log.e("Model", "Download failed", it) }
}

配置 AudioRecord 并建立识别管道：

// 音频参数（与模型采样率匹配）private const val SAMPLE_RATE = 16000
private const val BUFFER_SIZE = 4096

fun startRecording() {
    val audioRecord = AudioRecord(
        MediaRecorder.AudioSource.MIC,
        SAMPLE_RATE,
        AudioFormat.CHANNEL_IN_MONO,
        AudioFormat.ENCODING_PCM_16BIT,
        BUFFER_SIZE
    ).apply {startRecording() }

    // 启动识别协程
    CoroutineScope(Dispatchers.IO).launch {val recognizer = Model(modelDir.path).let {Recognizer(it, SAMPLE_RATE.toFloat())
        }

        val buffer = ShortArray(BUFFER_SIZE)
        while (isActive) {val read = audioRecord.read(buffer, 0, BUFFER_SIZE)
            if (recognizer.acceptWaveForm(buffer, read)) {
                val result = recognizer.result
                withContext(Dispatchers.Main) {updateUI(result)
                }
            }
        }
    }
}

模型预加载 ：在 SplashScreen 或后台服务提前加载模型
线程管理 ：使用固定大小线程池（建议 4 - 6 线程）
内存泄漏防护 ：
Recognizer 对象需在 onDestroy 释放
检查 AudioRecord 是否及时 stop/release
使用 WeakReference 持有 Activity 引用

针对需要快速响应的场景（如语音指令）：

val wifiManager = getSystemService(WIFI_SERVICE) as WifiManager
wifiManager.isWifiEnabled = true // 确保 WIFI 开启

// 尝试启用低延迟模式（需要 API 29+）if (Build.VERSION.SDK_INT >= Build.VERSION_CODES.Q) {wifiManager.setWifiMode(WifiManager.WIFI_MODE_FULL_LOW_LATENCY)
}

参考实现已上传 GitHub：VoskAndroidDemo（包含错误处理与性能监控模块）

如何结合 Android 的 TextClassifier 实现语义理解？可尝试：
1. 对识别文本进行意图分类
2. 提取关键实体（时间 / 地点等）
3. 构建领域特定语言模型（DSL）

在实际项目中，建议先明确语音交互边界（如仅处理 10 秒内的指令），再逐步扩展复杂场景。遇到模型加载慢的问题时，可尝试量化模型或使用按需加载策略。

正文完