Android Studio集成语音转文字：从原理到实战全解析

2025年11月14日 互联网

一、技术背景与功能价值

语音转文字（Speech-to-Text, STT）是移动端人机交互的核心技术之一，广泛应用于语音输入、会议记录、智能客服等场景。Android系统自API 21起提供原生语音识别接口，同时支持集成第三方语音识别SDK（如科大讯飞、腾讯云等）。开发者可根据项目需求选择轻量级的系统API或功能更丰富的商业SDK。

二、系统API实现方案

1. 基础环境配置

在Android Studio中创建项目后，需在AndroidManifest.xml中添加录音权限：

  1. <uses-permission android:name="android.permission.RECORD_AUDIO" />
  2. <uses-permission android:name="android.permission.INTERNET" /> <!-- 如需网络识别 -->

动态权限申请代码示例：

  1. private fun checkAudioPermission() {
  2.     if (ContextCompat.checkSelfPermission(this, Manifest.permission.RECORD_AUDIO) 
  3.         != PackageManager.PERMISSION_GRANTED) {
  4.         ActivityCompat.requestPermissions(this, 
  5.             arrayOf(Manifest.permission.RECORD_AUDIO), 
  6.             AUDIO_PERMISSION_CODE)
  7.     }
  8. }

2. 原生语音识别实现

使用RecognizerIntent启动系统语音识别界面：

  1. private fun startVoiceRecognition() {
  2.     val intent = Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH).apply {
  3.         putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL, 
  4.             RecognizerIntent.LANGUAGE_MODEL_FREE_FORM)
  5.         putExtra(RecognizerIntent.EXTRA_MAX_RESULTS, 5) // 最大识别结果数
  6.         putExtra(RecognizerIntent.EXTRA_PROMPT, "请开始说话...")
  7.     }
  8.     try {
  9.         startActivityForResult(intent, VOICE_RECOGNITION_REQUEST_CODE)
  10.     } catch (e: ActivityNotFoundException) {
  11.         Toast.makeText(this, "设备不支持语音识别", Toast.LENGTH_SHORT).show()
  12.     }
  13. }

处理识别结果：

  1. override fun onActivityResult(requestCode: Int, resultCode: Int, data: Intent?) {
  2.     super.onActivityResult(requestCode, resultCode, data)
  3.     if (requestCode == VOICE_RECOGNITION_REQUEST_CODE && resultCode == RESULT_OK) {
  4.         val results = data?.getStringArrayListExtra(RecognizerIntent.EXTRA_RESULTS)
  5.         results?.let {
  6.             textView.text = it[0] // 显示第一个识别结果
  7.         }
  8.     }
  9. }

系统API优缺点：

  • ✅ 无需额外依赖
  • ✅ 兼容性好
  • ❌ 界面不可定制
  • ❌ 功能受限（如不支持实时识别）

三、第三方SDK集成方案

1. 科大讯飞SDK集成

1.1 准备工作

  1. 注册科大讯飞开发者账号
  2. 创建应用获取APPID
  3. 下载Android SDK

1.2 集成步骤

  1. 将Msc.jar和armeabi/armeabi-v7a库文件放入项目libs目录
  2. 初始化SDK（在Application类中）： 
    1. class MyApp : Application() {
    2.  override fun onCreate() {
    3.      super.onCreate()
    4.      SpeechUtility.createUtility(this, "appid=${YOUR_APPID}")
    5.  }
    6. }

1.3 实现实时语音识别

  1. class VoiceRecognizer(private val callback: RecognitionCallback) {
  2.     private var recognizer: SpeechRecognizer? = null
  4.     fun startListening() {
  5.         recognizer = SpeechRecognizer.createRecognizer(context)
  6.         recognizer?.setParameter(SpeechConstant.DOMAIN, "iat") // 语音转文字场景
  7.         recognizer?.setParameter(SpeechConstant.LANGUAGE, "zh_cn")
  8.         recognizer?.setParameter(SpeechConstant.ACCENT, "mandarin")
  10.         val recognizerListener = object : RecognizerListener {
  11.             override fun onVolumeChanged(volume: Int, data: ByteArray?) {}
  12.             override fun onBeginOfSpeech() {}
  13.             override fun onEndOfSpeech() {}
  14.             override fun onResult(results: RecognizerResult?, isLast: Boolean) {
  15.                 if (isLast) {
  16.                     val result = results?.resultString
  17.                     callback.onRecognitionComplete(result)
  18.                 } else {
  19.                     // 实时返回部分结果
  20.                     val partialResult = JsonParser.parseIatResult(results?.resultString)
  21.                     callback.onPartialResult(partialResult)
  22.                 }
  23.             }
  24.             override fun onError(error: SpeechError?) {
  25.                 callback.onError(error?.errorCode, error?.errorDescription)
  26.             }
  27.             override fun onEvent(eventType: Int, arg1: Int, arg2: Int, obj: Bundle?) {}
  28.         }
  30.         recognizer?.startListening(recognizerListener)
  31.     }
  33.     fun stopListening() {
  34.         recognizer?.stopListening()
  35.         recognizer?.cancel()
  36.         recognizer?.destroy()
  37.     }
  38. }

2. 腾讯云语音识别集成

2.1 准备工作

  1. 创建腾讯云账号
  2. 开通语音识别服务
  3. 获取SecretId和SecretKey

2.2 实现方案

使用腾讯云REST API实现（需网络请求）：

  1. class TencentSTT(private val secretId: String, private val secretKey: String) {
  2.     private val client = OkHttpClient()
  4.     fun recognizeSpeech(audioData: ByteArray, callback: (String?) -> Unit) {
  5.         val timestamp = System.currentTimeMillis() / 1000
  6.         val sign = generateSign(timestamp)
  8.         val requestBody = MultipartBody.Builder()
  9.             .setType(MultipartBody.FORM)
  10.             .addFormDataPart("engine_type", "16k_zh")
  11.             .addFormDataPart("channel_num", "1")
  12.             .addFormDataPart("result_type", "0")
  13.             .addFormDataPart("voice_format", "pcm")
  14.             .addFormDataPart("data", "audio.pcm", 
  15.                 RequestBody.create(MediaType.parse("audio/pcm"), audioData))
  16.             .build()
  18.         val request = Request.Builder()
  19.             .url("https://recognition.tencentcloudapi.com/?Action=CreateRecTask&Timestamp=$timestamp&Signature=$sign")
  20.             .post(requestBody)
  21.             .addHeader("Authorization", "TC3-HMAC-SHA256 Credential=$secretId/...")
  22.             .build()
  24.         client.newCall(request).enqueue(object : Callback {
  25.             override fun onResponse(call: Call, response: Response) {
  26.                 val result = response.body?.string()
  27.                 // 解析JSON结果
  28.                 callback(parseResult(result))
  29.             }
  30.             override fun onFailure(call: Call, e: IOException) {
  31.                 callback(null)
  32.             }
  33.         })
  34.     }
  36.     private fun generateSign(timestamp: Long): String {
  37.         // 实现腾讯云签名算法
  38.         // 实际开发中需按照腾讯云文档实现
  39.         return "generated_signature"
  40.     }
  41. }

四、性能优化策略

1. 音频处理优化

  • 采样率适配：推荐16kHz采样率（科大讯飞等SDK要求）
  • 音频格式转换：使用AudioRecord直接录制PCM数据 
    1. private fun startRecording() {
    2.   val bufferSize = AudioRecord.getMinBufferSize(
    3.       16000, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT
    4.   )
    5.   val audioRecord = AudioRecord(
    6.       MediaRecorder.AudioSource.MIC,
    7.       16000,
    8.       AudioFormat.CHANNEL_IN_MONO,
    9.       AudioFormat.ENCODING_PCM_16BIT,
    10.       bufferSize
    11.   )
    12.   audioRecord.startRecording()
    13.   // 每100ms读取一次数据
    14.   val buffer = ByteArray(1600) // 100ms@16kHz 16bit
    15.   while (isRecording) {
    16.       val read = audioRecord.read(buffer, 0, buffer.size)
    17.       if (read > 0) {
    18.           // 处理音频数据
    19.       }
    20.   }
    21.   audioRecord.stop()
    22.   audioRecord.release()
    23. }

2. 识别结果处理

  • 关键词过滤：使用正则表达式过滤无效字符 
    1. fun filterInvalidChars(input: String): String {
    2.   return input.replace("[^\\u4e00-\\u9fa5a-zA-Z0-9，。、；：？！\"'（）]".toRegex(), "")
    3. }
  • 结果缓存：使用Room数据库存储历史识别记录

五、常见问题解决方案

1. 权限问题

  • Android 11+存储权限：需额外申请MANAGE_EXTERNAL_STORAGE权限（谨慎使用）
  • 麦克风占用：检测其他应用是否占用麦克风 
    1. fun isMicrophoneAvailable(): Boolean {
    2.   val recorder = AudioRecord(
    3.       MediaRecorder.AudioSource.MIC,
    4.       44100,
    5.       AudioFormat.CHANNEL_IN_MONO,
    6.       AudioFormat.ENCODING_PCM_16BIT,
    7.       AudioRecord.getMinBufferSize(44100, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT)
    8.   )
    9.   try {
    10.       recorder.startRecording()
    11.       recorder.stop()
    12.       recorder.release()
    13.       return true
    14.   } catch (e: IllegalStateException) {
    15.       return false
    16.   }
    17. }

2. 识别准确率问题

  • 语言模型选择：中文识别建议使用zh_cn+mandarin组合
  • 静音检测：使用能量阈值判断有效语音段 
    1. fun isSpeechActive(audioData: ShortArray, threshold: Double = 0.1): Boolean {
    2.   var sum = 0.0
    3.   for (sample in audioData) {
    4.       sum += (sample * sample) / 32768.0 // 16bit PCM归一化
    5.   }
    6.   val rms = sqrt(sum / audioData.size)
    7.   return rms > threshold
    8. }

六、进阶功能实现

1. 实时语音转写（带时间戳）

  1. data class SpeechSegment(val text: String, val startTime: Long, val endTime: Long)
  3. class RealTimeSTT {
  4.     private val segments = mutableListOf<SpeechSegment>()
  5.     private var lastTimestamp = 0L
  7.     fun processAudio(audioData: ByteArray, timestamp: Long): List<SpeechSegment> {
  8.         // 调用SDK获取中间结果
  9.         val partialText = "部分识别结果"
  11.         if (lastTimestamp > 0) {
  12.             segments.add(SpeechSegment(
  13.                 partialText,
  14.                 lastTimestamp,
  15.                 timestamp
  16.             ))
  17.         }
  18.         lastTimestamp = timestamp
  19.         return segments.toList()
  20.     }
  21. }

2. 多语言混合识别

  1. fun setupMultilingualRecognition() {
  2.     recognizer?.setParameter(SpeechConstant.LANGUAGE, "zh_cn+en_us")
  3.     recognizer?.setParameter(SpeechConstant.MIXED_LANGUAGE, "1") // 开启混合识别
  4. }

七、总结与建议

  1. 轻量级需求：优先使用系统API
  2. 商业项目：推荐科大讯飞/腾讯云等成熟SDK
  3. 性能关键：注意音频采样率、静音检测和结果缓存
  4. 隐私合规：明确告知用户语音数据处理方式

完整实现示例项目已上传至GitHub，包含：

  • 系统API实现
  • 科大讯飞SDK集成
  • 音频处理工具类
  • 识别结果可视化

通过本文提供的方案，开发者可在Android Studio中快速实现稳定可靠的语音转文字功能，根据实际需求选择最适合的技术路线。

最新文章