iOS Speech框架实战：语音转文字全流程解析

2025年11月14日 互联网

引言

在移动应用开发中，语音转文字功能已成为提升用户体验的重要工具。iOS系统提供的Speech框架为开发者提供了高效、稳定的语音识别能力，支持实时转录、多语言识别及上下文理解等高级特性。本文将系统讲解如何利用Speech框架实现完整的语音转文字功能，从基础配置到高级优化，帮助开发者快速构建可靠的语音识别服务。

一、Speech框架核心组件解析

Speech框架主要由SFSpeechRecognizer、SFSpeechAudioBufferRecognitionRequest和SFSpeechRecognitionTask三个核心类构成：

  1. SFSpeechRecognizer：语音识别器主类，负责管理识别任务的生命周期。需注意其仅在支持语音识别的设备上有效（iOS 10+）。
  2. 音频请求对象：SFSpeechAudioBufferRecognitionRequest用于处理实时音频流，SFSpeechURLRecognitionRequest则适用于预录制的音频文件。
  3. 识别任务：SFSpeechRecognitionTask封装了识别结果和状态回调，通过代理方法实时反馈识别进度。

二、权限配置与初始化

2.1 添加隐私权限

在Info.plist中必须添加NSSpeechRecognitionUsageDescription字段，明确说明语音识别的使用目的（如”本应用需要语音识别功能以实现语音输入”）。未配置此项将导致运行时崩溃。

2.2 创建识别器实例

  1. import Speech
  3. let audioEngine = AVAudioEngine()
  4. var speechRecognizer: SFSpeechRecognizer?
  5. var recognitionRequest: SFSpeechAudioBufferRecognitionRequest?
  6. var recognitionTask: SFSpeechRecognitionTask?
  8. func setupRecognizer() {
  9.     speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN")) // 中文识别
  10.     guard let recognizer = speechRecognizer else {
  11.         print("语音识别器初始化失败")
  12.         return
  13.     }
  14.     // 检查服务可用性
  15.     if !recognizer.isAvailable {
  16.         print("语音识别服务当前不可用")
  17.     }
  18. }

三、实时语音识别实现

3.1 音频引擎配置

  1. func startRecording() throws {
  2.     // 配置音频会话
  3.     let audioSession = AVAudioSession.sharedInstance()
  4.     try audioSession.setCategory(.record, mode: .measurement, options: .duckOthers)
  5.     try audioSession.setActive(true, options: .notifyOthersOnDeactivation)
  7.     // 创建识别请求
  8.     recognitionRequest = SFSpeechAudioBufferRecognitionRequest()
  9.     guard let request = recognitionRequest else {
  10.         fatalError("无法创建识别请求")
  11.     }
  12.     request.shouldReportPartialResults = true // 启用实时反馈
  14.     // 启动识别任务
  15.     recognitionTask = speechRecognizer?.recognitionTask(with: request) { result, error in
  16.         if let result = result {
  17.             let transcribedText = result.bestTranscription.formattedString
  18.             print("实时识别结果: \(transcribedText)")
  19.             // 处理最终结果（result.isFinal == true时）
  20.         }
  21.         if let error = error {
  22.             print("识别错误: \(error.localizedDescription)")
  23.             self.stopRecording()
  24.         }
  25.     }
  27.     // 配置音频输入
  28.     let inputNode = audioEngine.inputNode
  29.     let recordingFormat = inputNode.outputFormat(forBus: 0)
  30.     inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { (buffer: AVAudioPCMBuffer, when: AVAudioTime) in
  31.         self.recognitionRequest?.append(buffer)
  32.     }
  34.     audioEngine.prepare()
  35.     try audioEngine.start()
  36. }

3.2 停止录音与清理资源

  1. func stopRecording() {
  2.     if audioEngine.isRunning {
  3.         audioEngine.stop()
  4.         recognitionRequest?.endAudio()
  5.         audioEngine.inputNode.removeTap(onBus: 0)
  6.     }
  7.     recognitionTask?.cancel()
  8.     recognitionTask = nil
  9. }

四、高级功能实现

4.1 多语言支持

通过修改Locale参数实现多语言识别：

  1. // 英文识别
  2. let enRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "en-US"))
  4. // 日语识别
  5. let jaRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "ja-JP"))

4.2 离线识别配置

在iOS 13+系统中，可通过requiresOnDeviceRecognition属性启用离线识别：

  1. let config = SFSpeechRecognizer.AuthorizationStatus.authorized
  2. if #available(iOS 13, *) {
  3.     speechRecognizer = SFSpeechRecognizer(locale: Locale.current)
  4.     speechRecognizer?.supportsOnDeviceRecognition = true
  5.     recognitionRequest?.requiresOnDeviceRecognition = true // 强制离线识别
  6. }

4.3 错误处理机制

  1. func handleRecognitionError(_ error: Error) {
  2.     switch error {
  3.     case SFSpeechRecognizerError.audioError:
  4.         showAlert(title: "音频错误", message: "无法访问麦克风")
  5.     case SFSpeechRecognizerError.insufficientPermissions:
  6.         showAlert(title: "权限不足", message: "请在设置中开启麦克风权限")
  7.     case SFSpeechRecognizerError.recognizerNotAvailable:
  8.         showAlert(title: "服务不可用", message: "当前设备不支持语音识别")
  9.     default:
  10.         showAlert(title: "识别错误", message: error.localizedDescription)
  11.     }
  12. }

五、性能优化建议

  1. 音频格式优化：使用16kHz单声道音频可获得最佳识别效果
  2. 内存管理：及时释放不再使用的识别任务和请求对象
  3. 网络策略：离线模式下禁用网络请求可降低功耗
  4. 结果过滤：对实时结果进行后处理，去除重复词和无关字符

六、常见问题解决方案

6.1 识别延迟问题

  • 启用shouldReportPartialResults获取中间结果
  • 调整AVAudioPCMBuffer的缓冲区大小（建议512-1024样本）
  • 在后台线程处理识别结果，避免阻塞主线程

6.2 准确率提升技巧

  • 限制识别语言范围（避免自动语言检测）
  • 在安静环境下使用
  • 对专业术语建立自定义词汇表（iOS 15+支持）

七、完整示例代码

  1. import UIKit
  2. import Speech
  3. import AVFoundation
  5. class VoiceRecognitionViewController: UIViewController {
  7.     let audioEngine = AVAudioEngine()
  8.     var speechRecognizer: SFSpeechRecognizer?
  9.     var recognitionRequest: SFSpeechAudioBufferRecognitionRequest?
  10.     var recognitionTask: SFSpeechRecognitionTask?
  12.     override func viewDidLoad() {
  13.         super.viewDidLoad()
  14.         setupSpeechRecognizer()
  15.         requestAuthorization()
  16.     }
  18.     func setupSpeechRecognizer() {
  19.         speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN"))
  20.     }
  22.     func requestAuthorization() {
  23.         SFSpeechRecognizer.requestAuthorization { authStatus in
  24.             DispatchQueue.main.async {
  25.                 switch authStatus {
  26.                 case .authorized:
  27.                     print("语音识别权限已授权")
  28.                 case .denied:
  29.                     self.showAlert(title: "权限被拒绝", message: "请在设置中开启麦克风权限")
  30.                 case .restricted:
  31.                     self.showAlert(title: "权限受限", message: "无法访问语音识别服务")
  32.                 case .notDetermined:
  33.                     print("权限未确定")
  34.                 @unknown default:
  35.                     break
  36.                 }
  37.             }
  38.         }
  39.     }
  41.     @IBAction func startRecording(_ sender: UIButton) {
  42.         do {
  43.             try startAudioEngine()
  44.             sender.setTitle("停止录音", for: .normal)
  45.         } catch {
  46.             showAlert(title: "错误", message: error.localizedDescription)
  47.         }
  48.     }
  50.     func startAudioEngine() throws {
  51.         let audioSession = AVAudioSession.sharedInstance()
  52.         try audioSession.setCategory(.record, mode: .measurement, options: .duckOthers)
  53.         try audioSession.setActive(true, options: .notifyOthersOnDeactivation)
  55.         recognitionRequest = SFSpeechAudioBufferRecognitionRequest()
  56.         guard let request = recognitionRequest else {
  57.             fatalError("无法创建识别请求")
  58.         }
  59.         request.shouldReportPartialResults = true
  61.         recognitionTask = speechRecognizer?.recognitionTask(with: request) { result, error in
  62.             if let result = result {
  63.                 let text = result.bestTranscription.formattedString
  64.                 print("识别结果: \(text)")
  65.                 if result.isFinal {
  66.                     DispatchQueue.main.async {
  67.                         // 更新UI显示最终结果
  68.                     }
  69.                 }
  70.             }
  71.             if let error = error {
  72.                 self.handleRecognitionError(error)
  73.             }
  74.         }
  76.         let inputNode = audioEngine.inputNode
  77.         let recordingFormat = inputNode.outputFormat(forBus: 0)
  78.         inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { buffer, _ in
  79.             self.recognitionRequest?.append(buffer)
  80.         }
  82.         audioEngine.prepare()
  83.         try audioEngine.start()
  84.     }
  86.     @IBAction func stopRecording(_ sender: UIButton) {
  87.         if audioEngine.isRunning {
  88.             audioEngine.stop()
  89.             recognitionRequest?.endAudio()
  90.             audioEngine.inputNode.removeTap(onBus: 0)
  91.         }
  92.         recognitionTask?.cancel()
  93.         recognitionTask = nil
  94.         sender.setTitle("开始录音", for: .normal)
  95.     }
  97.     func showAlert(title: String, message: String) {
  98.         let alert = UIAlertController(title: title, message: message, preferredStyle: .alert)
  99.         alert.addAction(UIAlertAction(title: "确定", style: .default))
  100.         present(alert, animated: true)
  101.     }
  103.     func handleRecognitionError(_ error: Error) {
  104.         // 实现错误处理逻辑
  105.     }
  106. }

结论

Speech框架为iOS开发者提供了强大而灵活的语音识别能力，通过合理配置音频引擎、优化识别参数和实施完善的错误处理，可以构建出稳定高效的语音转文字应用。在实际开发中，建议结合具体场景进行功能定制，如添加标点符号预测、说话人分离等高级特性，以提升用户体验。随着iOS系统的持续演进，Speech框架的功能也将不断完善，值得开发者持续关注。

最新文章