iOS Speech框架实战：语音转文字全流程解析与优化

一、Speech框架核心机制解析

iOS Speech框架作为系统级语音识别解决方案，通过SFSpeechRecognizer、SFSpeechAudioBufferRecognitionRequest等核心类构建起完整的语音转文字（ASR）流程。其核心优势在于支持50+种语言的离线识别（需设备支持）与在线高精度识别，且与iOS音频系统深度集成。

1.1 权限管理机制

Speech框架采用动态权限申请模式，需在Info.plist中添加NSSpeechRecognitionUsageDescription字段说明用途。权限申请时机应放在用户主动触发操作时（如点击录音按钮），通过SFSpeechRecognizer.requestAuthorization异步获取授权状态：

import Speech
func checkAuthorization() {
    SFSpeechRecognizer.requestAuthorization { authStatus in
        DispatchQueue.main.async {
            switch authStatus {
            case .authorized:
                print("语音识别权限已授权")
            case .denied, .restricted, .notDetermined:
                // 引导用户前往设置开启权限
                break
            @unknown default:
                break
            }
        }
    }
}

1.2 识别器配置要点

创建SFSpeechRecognizer实例时需指定语言环境（locale），未指定时默认使用系统语言。对于多语言场景，建议动态检测系统语言或提供切换入口：

let recognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN"))
guard let _ = recognizer?.isAvailable else {
    // 处理识别器不可用情况
    return
}

二、实时语音识别实现方案

2.1 音频输入流配置

通过AVAudioEngine构建音频采集管道，需配置正确的音频格式（建议16kHz单声道16位PCM）：

let audioEngine = AVAudioEngine()
let inputNode = audioEngine.inputNode
let recordingFormat = inputNode.outputFormat(forBus: 0)
// 创建识别请求
let request = SFSpeechAudioBufferRecognitionRequest()
request.shouldReportPartialResults = true // 启用实时结果
// 配置识别任务
let task = recognizer?.recognitionTask(with: request) { result, error in
    if let result = result {
        let bestString = result.bestTranscription.formattedString
        print("实时结果: \(bestString)")
    }
    // 错误处理
}

2.2 音频数据传输优化

采用installTap方式从音频引擎获取数据，需注意缓冲区大小与处理时延的平衡：

let queue = DispatchQueue(label: "speech.recognition.queue")
inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { buffer, _ in
    queue.async {
        request.append(buffer)
    }
}
audioEngine.prepare()
try audioEngine.start()

三、高级功能实现技巧

3.1 上下文语义优化

通过contextualPhrases属性增强特定场景的识别准确率，适用于专业术语或品牌词识别：

request.contextualPhrases = [
    SFSpeechRecognitionContextualPhrase(text: "SwiftUI", pronunciation: nil),
    SFSpeechRecognitionContextualPhrase(text: "Combine框架", pronunciation: nil)
]

3.2 离线识别配置

在支持离线识别的设备上，可通过requiresOnDeviceRecognition属性强制使用本地模型：

if #available(iOS 15, *) {
    request.requiresOnDeviceRecognition = true
}

四、性能优化实践

4.1 内存管理策略

及时终止不再使用的识别任务，避免内存泄漏：

// 停止识别
audioEngine.stop()
inputNode.removeTap(onBus: 0)
task?.cancel()
task?.finish() // 确保完成回调

4.2 功耗优化方案

• 动态调整音频缓冲区大小（512-4096字节范围）
• 空闲检测机制：当用户暂停说话超过2秒时自动停止
• 后台模式配置：在Info.plist中添加audio背景模式

五、完整实现示例

5.1 基础版本实现

import Speech
import AVFoundation
class SpeechRecognizer {
    private var audioEngine = AVAudioEngine()
    private var speechRecognizer: SFSpeechRecognizer?
    private var recognitionTask: SFSpeechRecognitionTask?
    private let request = SFSpeechAudioBufferRecognitionRequest()
    init() {
        speechRecognizer = SFSpeechRecognizer(locale: Locale.current)
        request.shouldReportPartialResults = true
    }
    func startRecording() throws {
        guard let recognizer = speechRecognizer else { return }
        try AVAudioSession.sharedInstance().setCategory(.record, mode: .measurement, options: .duckOthers)
        try AVAudioSession.sharedInstance().setActive(true, options: .notifyOthersOnDeactivation)
        let inputNode = audioEngine.inputNode
        let recordingFormat = inputNode.outputFormat(forBus: 0)
        inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { [weak self] buffer, _ in
            self?.request.append(buffer)
        }
        audioEngine.prepare()
        try audioEngine.start()
        recognitionTask = recognizer.recognitionTask(with: request) { [weak self] result, error in
            if let result = result {
                print("识别结果: \(result.bestTranscription.formattedString)")
            } else if let error = error {
                print("识别错误: \(error.localizedDescription)")
                self?.stopRecording()
            }
        }
    }
    func stopRecording() {
        audioEngine.stop()
        audioEngine.inputNode.removeTap(onBus: 0)
        recognitionTask?.finish()
        recognitionTask = nil
    }
}

5.2 工业级实现要点

1. 状态管理：通过枚举定义idle、recording、processing等状态
2. 错误重试：实现指数退避算法处理网络超时
3. 日志系统：记录识别时长、准确率等关键指标
4. 单元测试：模拟音频输入验证识别逻辑

六、常见问题解决方案

6.1 识别率低问题

• 检查麦克风方向性设置（AVAudioSessionCategoryOptionDefaultToSpeaker）
• 增加上下文词汇（contextualPhrases）
• 调整音频采样率至16kHz

6.2 延迟过高问题

• 减小音频缓冲区大小（从4096降至1024字节）
• 启用SFSpeechRecognizer的supportsOnDeviceRecognition属性
• 在后台线程处理识别结果

七、未来演进方向

1. 多模态识别：结合NLP框架实现意图识别
2. 自定义声学模型：通过Core ML训练行业专属模型
3. 实时字幕系统：集成UITextView实现滚动字幕
4. 多语言混合识别：动态切换识别器语言

通过系统掌握Speech框架的核心机制与工程实践，开发者能够构建出稳定、高效的语音转文字应用。建议从基础版本开始逐步实现高级功能，并通过实际场景测试不断优化识别参数。对于商业级应用，还需考虑数据隐私保护与离线识别能力的平衡。