C++ Windows 语音识别开发入门：从环境搭建到实时音频处理

1次阅读

没有评论

共计 2815 个字符，预计需要花费 8 分钟才能阅读完成。

在 Windows 平台上开发语音识别应用时，主要有以下几种技术方案可选：

Windows Speech SDK：微软官方提供的语音识别和合成 API，支持多种语言，集成度高，开发相对简单
ML.NET：微软的机器学习框架，需要自行训练模型，灵活性高但开发复杂度也较高
Kaldi：开源的语音识别工具包，识别效果好但集成和部署较为复杂

对于 C ++ 开发者来说，Windows Speech SDK 是最佳选择，因为它：

原生支持 C ++ 开发
提供完整的语音识别流程封装
与 Windows 系统深度集成
无需额外训练模型

安装 Visual Studio 2019 或更高版本
在安装时勾选 ” 使用 C ++ 的桌面开发 ” 工作负载
确保安装了 Windows 10 SDK（版本 1903 或更高）

配置 COM 组件：

在项目中添加对 SAPI.lib 的引用
包含头文件<sapi.h>
初始化 COM 库（重要！）

// COM 初始化示例
CoInitializeEx(NULL, COINIT_APARTMENTTHREADED);
// 使用完毕后记得调用 CoUninitialize();

使用 WASAPI 实现低延迟音频采集的 RAII 封装示例：

class AudioCapture {
public:
    AudioCapture() {
        // 初始化音频设备
        IMMDeviceEnumerator* pEnumerator = nullptr;
        CoCreateInstance(__uuidof(MMDeviceEnumerator), NULL, 
                        CLSCTX_ALL, __uuidof(IMMDeviceEnumerator), 
                        (void**)&pEnumerator);

        // 获取默认音频输入设备
        pEnumerator->GetDefaultAudioEndpoint(eCapture, eConsole, &pDevice);

        // 创建音频客户端
        pDevice->Activate(__uuidof(IAudioClient), CLSCTX_ALL, NULL, (void**)&pAudioClient);

        // 配置音频格式等参数
        // ...
    }

    ~AudioCapture() {
        // 自动释放资源
        if(pAudioClient) pAudioClient->Release();
        if(pDevice) pDevice->Release();}

    // 其他成员函数...
};

使用带锁的观察者模式实现线程安全的回调处理：

class SpeechRecognitionObserver {
public:
    void AddListener(ISpeechRecognitionListener* listener) {std::lock_guard<std::mutex> lock(mutex_);
        listeners_.push_back(listener);
    }

    void NotifyResult(const std::wstring& text) {std::lock_guard<std::mutex> lock(mutex_);
        for(auto* listener : listeners_) {listener->OnRecognitionResult(text);
        }
    }

private:
    std::vector<ISpeechRecognitionListener*> listeners_;
    std::mutex mutex_;
};

处理 UTF- 8 和 UTF-16 转换时的常见问题：

std::string WideToUTF8(const std::wstring& wstr) {if(wstr.empty()) return std::string();

    int size_needed = WideCharToMultiByte(CP_UTF8, 0, &wstr[0], (int)wstr.size(), 
                                        NULL, 0, NULL, NULL);
    std::string str(size_needed, 0);
    WideCharToMultiByte(CP_UTF8, 0, &wstr[0], (int)wstr.size(), 
                       &str[0], size_needed, NULL, NULL);
    return str;
}

实现实时音频处理的环形缓冲区：

class RingBuffer {
public:
    RingBuffer(size_t capacity) : buffer_(capacity), head_(0), tail_(0), size_(0) {}

    bool Push(const float* data, size_t count) {if(count > buffer_.size() - size_) return false;

        for(size_t i = 0; i < count; ++i) {buffer_[tail_] = data[i];
            tail_ = (tail_ + 1) % buffer_.size();}

        size_ += count;
        return true;
    }

    // 其他成员函数...
};

// 设置语音识别引擎的参数
ISpRecognizer* pRecognizer;
// ... 初始化 pRecognizer...

// 设置静音检测阈值（单位：dB）pRecognizer->SetPropertyNum(L"AdaptationOn", 1);

// 设置端点检测参数
ISpRecognizer2* pRecognizer2;
if(SUCCEEDED(pRecognizer->QueryInterface(&pRecognizer2))) {pRecognizer2->SetAdaptationData2(SPADAPTATIONTHRESHOLD, 50);
    pRecognizer2->SetAdaptationData2(SPADAPTATIONMAXSILENCE, 1000);
    pRecognizer2->Release();}