Android 标准语音识别框架：SpeechRecognizer 的封装和调用

最新推荐文章于 2025-10-16 13:00:44 发布

原创

最新推荐文章于 2025-10-16 13:00:44 发布 · 5k 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#android #语音识别 #recognizer #speech #kotlin

本文聚焦Android语音识别，介绍如何实现识别服务，包括定义接口、解析请求参数等；阐述请求识别的步骤，如声明权限、创建入口实例等；还探究系统调度原理，涵盖检测、初始化、开始及停止识别等环节，最后结合图示展示机制链路。

前言

此前，笔者梳理了语音相关的两篇文章：

如何打造车载语音交互：Google Voice Interaction 给你答案：介绍的是 3rd Party App 如何通过 Voice Interaction API 快速调用系统的语音交互服务快速完成确认、选择的基础语音对话
直面原理：5 张图彻底了解 Android TextToSpeech 机制：侧重于阐述 TTS Engine App 如何提供 Text-to-Speech 文字转语音服务,以及 3rd Party App 又如何便捷地调用这些服务。

还缺最后一块即如何向系统提供语音识别的 SpeechRecognizer 服务、3rd Party App 如何使用他们，以及系统和联系这两者？

本篇文章将为你补齐这块知识点。

如何实现识别服务？

首先我们得提供识别服务的实现，简单来说继承 RecognitionService 实现最重要的几个抽象方法即可：

首先可以定义抽象的识别 Engine 的接口 IRecognitionEngine
在 RecognitionService 启动的时候获取识别 engine 提供商的实现实例
在 onStartListening() 里解析识别请求 Intent 中的参数，比如语言、最大结果数等信息封装成 json 字符串传递给 engine 的开始识别。那么 Engine 也需要依据参数进行识别实现方面的调整，并将识别过程中相应的状态、结果返回，比如开始说话 beginningOfSpeech() 、结束说话 endOfSpeech() 、中间结果 partialResults() 等
onStopListening() 里调用 engine 的停止识别，一样的需要 engine 回传结果，比如最终识别结果 results()
onCancel() 里执行 engine 提供的 release() 进行识别 engine 的解绑、资源释放

interface IRecognitionEngine {
   
   
    fun init()

    fun startASR(parameter: String, callback: Callback?)

    fun stopASR(callback: Callback?)

    fun release(callback: Callback?)
}

class CommonRecognitionService : RecognitionService() {
   
   
    private val recognitionEngine: IRecognitionEngine by lazy {
   
   
        RecognitionProvider.provideRecognition()
    }

    override fun onCreate() {
   
   
        super.onCreate()
        recognitionEngine.init()
    }

    override fun onStartListening(intent: Intent?, callback: Callback?) {
   
   
        val params: String = "" // Todo parse parameter from intent

        recognitionEngine.startASR(params, callback)
    }

    override fun onStopListening(callback: Callback?) {
   
   
        recognitionEngine.stopASR(callback)
    }

    override fun onCancel(callback: Callback?) {
   
   
        recognitionEngine.release(callback)
    }
}

当然不要忘记在 Manifest 中声明：

<service
    android:name=".recognition.service.CommonRecognitionService"
    android:exported="true">
    <intent-filter>
        <action android:name="android.speech.RecognitionService"/>
    </intent-filter>
</service>

如何请求识别？

首先得声明 capture audio 的 Runtime 权限，还需补充运行时权限的代码逻辑。

<manifest ... >
    <uses-configuration android:name="android.permission.RECORD_AUDIO"/>
</manifest>

另外，Android 11 以上的话，需要额外添加对识别服务的包名 query 声明。

<manifest ... >
    ...
    <queries>
        <intent>
            <action
                android:name="android.speech.RecognitionService" />
        </intent>
    </queries>
</manifest>

权限满足之后，最好先检查整个系统里是否有 Recognition 服务可用，NO 的话，直接结束即可。

class RecognitionHelper(val context: Context) {
   
   
    fun prepareRecognition(): Boolean {
   
   
        if (!SpeechRecognizer.isRecognitionAvailable(context)) {
   
   
            Log.e("RecognitionHelper", "System has no recognition service yet.")
            return false
        }
        ...
    }
}

有可用服务的话，通过 SpeechRecognizer 提供的静态方法创建调用识别的入口实例，该方法必须在主线程调用。

class RecognitionHelper(val context: Context) : RecognitionListener{
   
   
    private lateinit var recognizer: SpeechRecognizer

    fun prepareRecognition(): Boolean {
   
   
        ...
        recognizer = SpeechRecognizer.createSpeechRecognizer(context)
        ...
    }
}

当然如果系统搭载的服务不止一个，并且已知了其包名，可指定识别的实现方：

public static SpeechRecognizer createSpeechRecognizer (Context context, 
                ComponentName serviceComponent)

接下来就是设置 Recognition 的监听器，对应着识别过程中各种状态，比如：

onPartialResults() 返回的中间识别结果，通过 SpeechRecognizer#RESULTS_RECOGNITION key 去 Bundle 中获取识别字符串 getStringArrayList(String)
onResults() 将返回最终识别的结果，解析办法同上
onBeginningOfSpeech()：检测到说话开始
onEndOfSpeech()：检测到说话结束
onError() 将返回各种错误，和 SpeechRecognizer#ERROR_XXX 中各数值相对应，例如没有麦克风权限的话，会返回 ERROR_INSUFFICIENT_PERMISSIONS
等等

class RecognitionHelper(val context: Context) : RecognitionListener{
   
   
    ...
    fun prepareRecognition(): Boolean {
   
   
        ...
        recognizer.setRecognitionListener(this)
        return true
    }

    override fun onReadyForSpeech(p0: Bundle?) {
   
   
        TODO("Not yet implemented")
    }

    override fun onBeginningOfSpeech() {
   
   
        TODO("Not yet implemented")
    }

    override fun onRmsChanged(p0: Float) {
   
   
        TODO("Not yet implemented")
    }

    override fun onBufferReceived(p0: ByteArray?) {
   
   
        TODO("Not yet implemented")
    }

    override fun onEndOfSpeech() {
   
   
        TODO("Not yet implemented")
    }

    override fun onError(p0: Int) {
   
   
        TODO("Not yet implemented")
    }

    override fun onResults(p0: Bundle?) {
   
   
        TODO("Not yet implemented")
    }

    override fun onPartialResults(p0: Bundle?) {
   
   
        TODO("Not yet implemented")
    }

    override fun onEvent(p0: Int, p1: Bundle?) {
   
   
        TODO("Not yet implemented")
    }
}

之后创建识别的必要 Intent 信息并启动，信息包括：

EXTRA_LANGUAGE_MODEL：必选，期望识别的偏好模型，比如代码里设置的自由形式的 LANGUAGE_MODEL_FREE_FORM 模型，还有依赖网络搜索的 LANGUAGE_MODEL_WEB_SEARCH 模型等
EXTRA_PARTIAL_RESULTS：可选，是否要求识别服务回传识别途中的结果，默认 false
EXTRA_MAX_RESULTS：可选，设置允许服务返回的最多结果数值，int 类型
EXTRA_LANGUAGE：可选，设置识别语言，默认情况下是 Locale.getDefault() 的地区语言（笔者使用的是 Google Assistant 提供的识别服务，暂不支持中文，所以此处配置的 Locale 为 ENGLISH）
等

另外，需要留意两点：1. 此方法必须在上述监听器设置之后进行，2. 该方法得在主线程发起：

class RecognitionHelper(val context: Context) : RecognitionListener{
   
   
    ...
    fun startRecognition() {

最低0.47元/天解锁文章