一、引言：语音转文字的移动端需求

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核心场景之一。无论是会议记录、语音输入、智能客服还是无障碍交互，实时将语音转换为文字的需求日益增长。iOS系统自带的Speech框架（SFSpeechRecognizer）为开发者提供了强大的语音识别能力，支持实时流式识别、多语言识别、离线模式等特性，且无需依赖第三方服务。本文将系统讲解Speech框架的使用方法，从基础配置到高级功能实现，帮助开发者快速构建稳定、高效的语音转文字功能。

二、Speech框架核心组件解析

Speech框架的核心类为SFSpeechRecognizer，其通过SFSpeechRecognitionTask处理语音数据，最终输出SFSpeechRecognitionResult。关键组件包括：

1. SFSpeechRecognizer：语音识别器，负责管理识别任务。
2. SFSpeechAudioBufferRecognitionRequest：用于实时流式识别的请求对象。
3. SFSpeechURLRecognitionRequest：用于从文件或URL识别的请求对象。
4. SFSpeechRecognitionTask：识别任务，通过代理方法返回结果。
5. SFSpeechRecognitionResult：识别结果，包含转录文本、置信度等信息。

三、实现步骤：从配置到完整流程

1. 权限申请与基础配置

在Info.plist中添加NSSpeechRecognitionUsageDescription字段，描述语音识别用途（如“用于语音转文字功能”）。同时，在代码中检查权限：

import Speech
func checkSpeechRecognitionAuthorization() {
    SFSpeechRecognizer.requestAuthorization { authStatus in
        DispatchQueue.main.async {
            switch authStatus {
            case .authorized:
                print("语音识别权限已授予")
            case .denied:
                print("用户拒绝权限")
            case .restricted:
                print("设备限制语音识别")
            case .notDetermined:
                print("权限未决定")
            @unknown default:
                break
            }
        }
    }
}

2. 创建语音识别器

初始化SFSpeechRecognizer时需指定语言（默认系统语言）：

let speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN")) // 中文识别

3. 实时语音识别实现

通过AVAudioEngine捕获麦克风输入，结合SFSpeechAudioBufferRecognitionRequest实现实时识别：

var recognitionRequest: SFSpeechAudioBufferRecognitionRequest?
var recognitionTask: SFSpeechRecognitionTask?
let audioEngine = AVAudioEngine()
func startRecording() {
    // 配置音频会话
    let audioSession = AVAudioSession.sharedInstance()
    try? audioSession.setCategory(.record, mode: .measurement, options: .duckOthers)
    try? audioSession.setActive(true, options: .notifyOthersOnDeactivation)
    // 创建识别请求
    recognitionRequest = SFSpeechAudioBufferRecognitionRequest()
    guard let request = recognitionRequest else { return }
    request.shouldReportPartialResults = true // 实时返回中间结果
    // 启动识别任务
    recognitionTask = speechRecognizer?.recognitionTask(with: request) { result, error in
        if let result = result {
            let transcribedText = result.bestTranscription.formattedString
            print("实时识别结果: \(transcribedText)")
            if result.isFinal {
                print("最终结果: \(transcribedText)")
            }
        }
        if let error = error {
            print("识别错误: \(error.localizedDescription)")
            self.stopRecording()
        }
    }
    // 配置音频输入
    let inputNode = audioEngine.inputNode
    let recordingFormat = inputNode.outputFormat(forBus: 0)
    inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { buffer, _ in
        recognitionRequest?.append(buffer)
    }
    audioEngine.prepare()
    try? audioEngine.start()
}
func stopRecording() {
    audioEngine.stop()
    recognitionRequest?.endAudio()
    recognitionTask?.cancel()
    recognitionTask = nil
}

4. 离线语音识别配置

Speech框架支持离线识别，但需确保设备已下载对应语言的离线模型：

// 检查离线模型是否可用
if speechRecognizer?.supportsOnDeviceRecognition == true {
    print("支持离线识别")
    // 强制使用离线模式（可选）
    recognitionRequest?.requiresOnDeviceRecognition = true
}

5. 从文件识别语音

通过SFSpeechURLRecognitionRequest识别本地或远程音频文件：

func recognizeAudioFile(url: URL) {
    let request = SFSpeechURLRecognitionRequest(url: url)
    speechRecognizer?.recognitionTask(with: request) { result, error in
        if let result = result {
            print("文件识别结果: \(result.bestTranscription.formattedString)")
        }
        if let error = error {
            print("文件识别错误: \(error.localizedDescription)")
        }
    }
}

四、高级功能与优化

1. 错误处理与重试机制

识别过程中可能因网络、权限或音频质量失败，需实现重试逻辑：

func retryRecognition(maxRetries: Int, currentRetry: Int = 0) {
    if currentRetry < maxRetries {
        DispatchQueue.main.asyncAfter(deadline: .now() + 1) {
            self.startRecording() // 重试
        }
    } else {
        print("达到最大重试次数")
    }
}

2. 性能优化建议

• 降低音频采样率：使用16kHz采样率可减少计算量。
• 限制识别范围：通过recognitionRequest?.taskHint = .dictation指定场景。
• 后台模式：在Info.plist中添加UIBackgroundModes为audio以支持后台识别。

3. 多语言支持

动态切换识别语言：

func switchLanguage(to localeIdentifier: String) {
    speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: localeIdentifier))
}

五、实际应用场景示例

1. 会议记录应用

结合UITextView实时显示识别结果，并支持保存为文本文件：

let resultTextView = UITextView()
// 在识别代理方法中更新
resultTextView.text = result.bestTranscription.formattedString

2. 语音输入键盘

在自定义键盘中集成语音转文字功能，通过UIInputViewController管理音频流。

3. 无障碍交互

为视障用户提供语音导航，通过识别结果触发界面操作。

六、常见问题与解决方案

1. 权限问题：确保NSSpeechRecognitionUsageDescription已填写，且用户已授权。
2. 识别延迟：检查网络连接（在线模式）或设备存储空间（离线模型下载）。
3. 音频质量差：使用AVAudioSession配置降噪模式，或提示用户靠近麦克风。

七、总结与展望

Speech框架为iOS开发者提供了高效、灵活的语音转文字解决方案，其支持实时流式识别、离线模式和多语言等特性，可满足大多数应用场景需求。未来，随着AI技术的进步，Speech框架可能进一步优化识别准确率、支持更多方言及垂直领域模型（如医疗、法律术语）。开发者应持续关注Apple官方文档更新，以利用最新功能提升用户体验。

通过本文的详细讲解与代码示例，开发者可快速掌握Speech框架的核心用法，并根据实际需求扩展高级功能，构建稳定、高效的语音转文字应用。