logo

开发者热搜

iOS Speech框架实战：语音转文字的完整实现指南

作者：4042025.09.23 12:53浏览量：0

简介：本文详细解析iOS Speech框架实现语音转文字的技术方案，涵盖框架特性、核心API使用、权限配置及完整代码示例，助力开发者快速构建语音识别功能。

一、Speech框架概述

iOS Speech框架是Apple官方提供的语音识别解决方案，自iOS 10起作为系统级API开放，具备高精度、低延迟的实时语音转文字能力。相比第三方服务，Speech框架的优势在于：

  1. 隐私安全：所有语音处理均在设备端完成，无需上传云端
  2. 性能优化：深度集成iOS系统，资源占用率低
  3. 功能丰富：支持实时识别、连续识别、多语言识别等场景

核心组件包括：

  • SFSpeechRecognizer：语音识别器管理类
  • SFSpeechAudioBufferRecognitionRequest：实时音频流识别请求
  • SFSpeechRecognitionTask：识别任务控制类
  • SFSpeechRecognitionResult：识别结果封装类

二、开发环境准备

1. 权限配置

在Info.plist中添加两个权限声明：

  1. <key>NSSpeechRecognitionUsageDescription</key>
  2. <string>需要语音识别权限以实现实时转文字功能</string>
  3. <key>NSMicrophoneUsageDescription</key>
  4. <string>需要麦克风权限以采集语音数据</string>

2. 导入框架

在需要使用的文件中导入：

  1. import Speech

三、核心实现步骤

1. 初始化语音识别器

  1. let speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN"))!
  2. // 中文识别使用zh-CN，英文使用en-US

2. 请求授权

  1. func requestAuthorization() {
  2.     SFSpeechRecognizer.requestAuthorization { authStatus in
  3.         DispatchQueue.main.async {
  4.             switch authStatus {
  5.             case .authorized:
  6.                 print("授权成功")
  7.             case .denied:
  8.                 print("用户拒绝授权")
  9.             case .restricted:
  10.                 print("设备限制")
  11.             case .notDetermined:
  12.                 print("未决定")
  13.             @unknown default:
  14.                 break
  15.             }
  16.         }
  17.     }
  18. }

3. 创建识别请求

实时识别场景（麦克风输入）

  1. func startRecording() {
  2.     guard let recognizer = speechRecognizer else { return }
  4.     let audioEngine = AVAudioEngine()
  5.     let request = SFSpeechAudioBufferRecognitionRequest()
  7.     // 配置音频会话
  8.     let audioSession = AVAudioSession.sharedInstance()
  9.     try? audioSession.setCategory(.record, mode: .measurement, options: .duckOthers)
  10.     try? audioSession.setActive(true, options: .notifyOthersOnDeactivation)
  12.     // 安装音频输入节点
  13.     let inputNode = audioEngine.inputNode
  14.     let recordingFormat = inputNode.outputFormat(forBus: 0)
  16.     inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { (buffer: AVAudioPCMBuffer, when: AVAudioTime) in
  17.         request.append(buffer)
  18.     }
  20.     // 启动识别任务
  21.     recognizer.recognitionTask(with: request) { [weak self] result, error in
  22.         if let result = result {
  23.             let transcribedText = result.bestTranscription.formattedString
  24.             print("识别结果: \(transcribedText)")
  26.             // 处理最终结果
  27.             if result.isFinal {
  28.                 print("最终结果: \(transcribedText)")
  29.             }
  30.         }
  32.         if let error = error {
  33.             print("识别错误: \(error.localizedDescription)")
  34.             audioEngine.stop()
  35.             inputNode.removeTap(onBus: 0)
  36.         }
  37.     }
  39.     // 启动音频引擎
  40.     audioEngine.prepare()
  41.     try? audioEngine.start()
  42. }

文件识别场景

  1. func recognizeAudioFile(url: URL) {
  2.     guard let recognizer = speechRecognizer else { return }
  3.     let request = SFSpeechURLRecognitionRequest(url: url)
  5.     recognizer.recognitionTask(with: request) { result, error in
  6.         if let result = result {
  7.             print("文件识别结果: \(result.bestTranscription.formattedString)")
  8.         }
  10.         if let error = error {
  11.             print("文件识别错误: \(error.localizedDescription)")
  12.         }
  13.     }
  14. }

4. 停止识别

  1. func stopRecording() {
  2.     audioEngine.stop()
  3.     audioEngine.inputNode.removeTap(onBus: 0)
  4.     // 取消所有识别任务
  5.     if let task = recognitionTask {
  6.         task.cancel()
  7.     }
  8. }

四、高级功能实现

1. 实时反馈优化

通过SFSpeechRecognitionResult的isFinal属性区分中间结果和最终结果：

  1. recognizer.recognitionTask(with: request) { result, error in
  2.     guard let result = result else { return }
  4.     // 获取所有候选结果
  5.     for transcription in result.transcriptions {
  6.         print("候选结果: \(transcription.formattedString)")
  7.     }
  9.     // 只显示最佳结果
  10.     let bestString = result.bestTranscription.formattedString
  11.     if !result.isFinal {
  12.         // 实时更新UI（需在主线程）
  13.         DispatchQueue.main.async {
  14.             self.textView.text = bestString
  15.         }
  16.     }
  17. }

2. 多语言支持

动态切换识别语言：

  1. func switchLanguage(to localeIdentifier: String) {
  2.     speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: localeIdentifier))
  3. }

3. 错误处理

常见错误及解决方案：
| 错误类型 | 解决方案 |
|————-|—————|
| SFSpeechRecognizerError.notAvailable | 检查设备是否支持（iOS 10+） |
| SFSpeechRecognizerError.restricted | 引导用户到设置开启权限 |
| AVAudioSessionError | 检查麦克风权限和音频会话配置 |
| 网络相关错误（离线模式） | 确保supportsOnDeviceRecognition为true |

五、性能优化建议

  1. 音频格式选择：使用16kHz单声道采样率，平衡精度和性能
  2. 缓冲区大小：1024-4096样本点为最佳范围
  3. 后台处理：使用DispatchQueue.global()进行非UI相关计算
  4. 内存管理：及时取消不再需要的识别任务
  5. 电量优化：在后台时暂停识别

六、完整示例代码

  1. import UIKit
  2. import Speech
  3. import AVFoundation
  5. class VoiceRecognitionViewController: UIViewController {
  7.     @IBOutlet weak var textView: UITextView!
  8.     @IBOutlet weak var recordButton: UIButton!
  10.     private let speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN"))!
  11.     private var recognitionTask: SFSpeechRecognitionTask?
  12.     private let audioEngine = AVAudioEngine()
  14.     override func viewDidLoad() {
  15.         super.viewDidLoad()
  16.         requestAuthorization()
  17.     }
  19.     @IBAction func toggleRecording(_ sender: UIButton) {
  20.         if audioEngine.isRunning {
  21.             stopRecording()
  22.             recordButton.setTitle("开始录音", for: .normal)
  23.         } else {
  24.             startRecording()
  25.             recordButton.setTitle("停止录音", for: .normal)
  26.         }
  27.     }
  29.     private func startRecording() {
  30.         let audioSession = AVAudioSession.sharedInstance()
  31.         try? audioSession.setCategory(.record, mode: .measurement, options: .duckOthers)
  32.         try? audioSession.setActive(true, options: .notifyOthersOnDeactivation)
  34.         let request = SFSpeechAudioBufferRecognitionRequest()
  35.         guard let inputNode = audioEngine.inputNode else { return }
  37.         recognitionTask = speechRecognizer.recognitionTask(with: request) { [weak self] result, error in
  38.             guard let self = self else { return }
  40.             if let result = result {
  41.                 let bestString = result.bestTranscription.formattedString
  42.                 DispatchQueue.main.async {
  43.                     self.textView.text = bestString
  44.                 }
  45.             }
  47.             if let error = error {
  48.                 print("识别错误: \(error.localizedDescription)")
  49.                 self.stopRecording()
  50.             }
  51.         }
  53.         let recordingFormat = inputNode.outputFormat(forBus: 0)
  54.         inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { (buffer: AVAudioPCMBuffer, when: AVAudioTime) in
  55.             request.append(buffer)
  56.         }
  58.         audioEngine.prepare()
  59.         try? audioEngine.start()
  60.     }
  62.     private func stopRecording() {
  63.         audioEngine.stop()
  64.         audioEngine.inputNode.removeTap(onBus: 0)
  65.         recognitionTask?.cancel()
  66.         recognitionTask = nil
  67.     }
  69.     private func requestAuthorization() {
  70.         SFSpeechRecognizer.requestAuthorization { authStatus in
  71.             DispatchQueue.main.async {
  72.                 if authStatus != .authorized {
  73.                     self.showAlert(title: "权限错误", message: "需要麦克风和语音识别权限")
  74.                 }
  75.             }
  76.         }
  77.     }
  79.     private func showAlert(title: String, message: String) {
  80.         let alert = UIAlertController(title: title, message: message, preferredStyle: .alert)
  81.         alert.addAction(UIAlertAction(title: "确定", style: .default))
  82.         present(alert, animated: true)
  83.     }
  84. }

七、常见问题解答

Q1：Speech框架支持哪些语言？
A：支持iOS系统所有语言包，可通过SFSpeechRecognizer.supportedLocales()获取完整列表

Q2：离线识别效果如何？
A：中文离线识别准确率可达90%以上，专业术语识别建议使用在线模式

Q3：如何限制识别时长？
A：使用SFSpeechRecognitionRequest的shouldReportPartialResults属性控制

Q4：后台识别如何实现？
A：需在Info.plist中添加UIBackgroundModes数组并包含audio项

八、总结与展望

Speech框架为iOS开发者提供了强大且易用的语音识别能力，通过合理配置可以实现接近专业的转写效果。未来随着设备端AI的发展，离线识别的准确率和功能将进一步提升。建议开发者持续关注Apple的API更新，特别是对多语言支持和行业术语识别的优化。

实际应用中，建议结合CoreML框架实现领域特定的语音识别优化，例如医疗、法律等专业场景的术语增强。同时注意处理不同口音和背景噪音的情况，可通过预处理音频数据来提升识别质量。

相关文章推荐

发表评论

最热文章

关于作者

  • 被阅读数
  • 被赞数
  • 被收藏数