C#语音识别入门实战：从零构建你的第一个语音转文本应用

共计 2631 个字符，预计需要花费 7 分钟才能阅读完成。

技术背景

语音识别技术在现代应用中越来越普及，最常见的场景包括语音助手（如 Cortana、Siri）、会议自动转录、智能家居控制等。对于 C# 开发者来说，.NET 提供了两套主要的语音识别 API：System.Speech 和 Windows.Media.SpeechRecognition。

• System.Speech：适用于传统桌面应用，支持.NET Framework 和.NET Core，功能全面但需要本地语音引擎支持
• Windows.Media.SpeechRecognition：专为 UWP 应用设计，深度集成 Windows 10 的语音服务，但对应用平台有限制

对于大多数开发者，如果目标是构建 Windows 桌面应用，System.Speech 是更通用和灵活的选择。

环境准备

开始之前，我们需要准备好开发环境：

1. 安装 Visual Studio 2019 或更高版本
2. 创建新的控制台应用或 WPF 项目
3. 通过 NuGet 添加 System.Speech 包

在包管理器控制台中运行：

Install-Package System.Speech

麦克风权限配置也很重要：

• 确保麦克风已正确连接并设置为默认输入设备
• 在 Windows 设置中检查麦克风隐私权限是否开启
• 对于某些企业环境，可能需要管理员权限

核心实现

初始化 SpeechRecognitionEngine

1. 首先创建识别引擎实例：

   using System.Speech.Recognition;
   
   var recognizer = new SpeechRecognitionEngine();

2. 设置基本参数：

   // 推荐识别超时设为 500-1000ms
   recognizer.InitialSilenceTimeout = TimeSpan.FromMilliseconds(1000);
   recognizer.BabbleTimeout = TimeSpan.FromMilliseconds(500);
   recognizer.EndSilenceTimeout = TimeSpan.FromMilliseconds(300);

构建 Grammar 对象

语音识别的准确性很大程度上取决于语法配置。我们可以创建简单的命令语法：

var commands = new Choices();
commands.Add("开始");
commands.Add("停止");
commands.Add("退出");

var grammarBuilder = new GrammarBuilder(commands);
var grammar = new Grammar(grammarBuilder);

recognizer.LoadGrammar(grammar);

对于更自由的语音输入，可以使用 DictationGrammar：

recognizer.LoadGrammar(new DictationGrammar());

事件处理

完整的识别流程需要处理几个关键事件：

// 识别结果事件
recognizer.SpeechRecognized += (sender, e) => 
{Console.WriteLine($"识别结果: {e.Result.Text}");
    // 注意：如果要更新 UI，需要 Invoke 回 UI 线程
};

// 识别完成事件
recognizer.RecognizeCompleted += (sender, e) =>
{if(e.Error != null)
        Console.WriteLine($"识别错误: {e.Error.Message}");

    // 可以在这里重新开始识别
    recognizer.RecognizeAsync(RecognizeMode.Multiple);
};

开始识别

最后启动识别过程：

// 设置音频输入源（默认麦克风）recognizer.SetInputToDefaultAudioDevice();

// 开始异步识别（Multiple 模式会持续监听）recognizer.RecognizeAsync(RecognizeMode.Multiple);

避坑指南

在实际开发中，会遇到一些常见问题：

1. 麦克风采样率问题 ：
2. 确保麦克风支持 16kHz、16 位、单声道格式

3. 可以在控制面板的音频设置中检查

4. 跨线程 UI 更新 ：

5. 在 WPF 中需要使用 Dispatcher.Invoke

   Application.Current.Dispatcher.Invoke(() => {textBlock.Text = e.Result.Text;});

6. 短语音识别失败 ：

7. 适当减少 EndSilenceTimeout 值（但不要小于 100ms）
8. 对于非常短的命令，考虑使用 EmulateRecognize 进行测试

进阶优化

离线测试

使用 EmulateRecognize 可以在没有麦克风的情况下测试：

var result = recognizer.EmulateRecognize("测试命令");
Console.WriteLine(result.Text);

提高自由语音识别率

1. 加载 DictationGrammar：

   recognizer.LoadGrammar(new DictationGrammar());

2. 添加自适应词汇：

   recognizer.UpdateRecognizerSetting("AdaptationOn", 1);

3. 训练语音配置文件（需要用户配合）：

   recognizer.RequestRecognizerUpdate();

实践任务

建议尝试扩展基础 Demo，实现以下功能：

1. 关键词唤醒功能 ：
2. 创建特定词汇的 Grammar

3. 在 SpeechRecognized 事件中检查是否为唤醒词

4. 性能指标采集 ：

   var stopwatch = new Stopwatch();
   stopwatch.Start();
   // ... 识别过程...
   stopwatch.Stop();
   Console.WriteLine($"识别耗时: {stopwatch.ElapsedMilliseconds}ms");

5. 识别结果记录 ：

6. 将结果保存到文件或数据库
7. 添加时间戳和置信度信息

总结

通过本文，我们从头构建了一个基本的 C# 语音识别应用。虽然 System.Speech API 已经有些年头，但它仍然是 Windows 桌面应用实现语音功能的最简单方案。在实际项目中，你可能还需要考虑：

• 多语言支持（需要安装对应的语音包）
• 网络语音识别服务的集成（如 Azure Speech Services）
• 更复杂的自然语言处理

希望这篇指南能帮助你快速上手语音识别开发，避开初学者的常见陷阱。