一、引言：语音识别技术的崛起与iOS生态的适配

随着移动设备计算能力的提升和人工智能技术的普及，语音识别（Speech Recognition）已成为人机交互的核心场景之一。从智能助手到无障碍功能，语音转文字（Speech-to-Text, STT）的需求覆盖了个人、企业及特殊群体。iOS系统凭借其封闭生态和硬件优化能力，提供了高度集成的语音处理框架——Speech框架（Speech.framework），开发者可通过该框架快速实现实时或离线的语音转文字功能，而无需依赖第三方服务。

本文将围绕Speech框架的核心API，从基础原理、实现步骤、代码示例到优化策略，系统讲解iOS语音识别的完整流程，帮助开发者高效集成这一功能。

二、Speech框架基础：原理与核心组件

1. 框架定位与优势

Speech框架是苹果在iOS 10中引入的本地语音识别解决方案，其核心优势包括：

• 低延迟：基于设备端（On-Device）处理，无需网络请求，适合实时场景。
• 隐私安全：语音数据不离开设备，符合隐私保护要求。
• 多语言支持：覆盖英语、中文、日语等数十种语言及方言。
• 与系统深度集成：支持Siri语音引擎，可调用苹果训练的声学模型。

2. 核心类与流程

Speech框架的核心类包括：

• SFSpeechRecognizer：语音识别器，管理识别任务和语言设置。
• SFSpeechAudioBufferRecognitionRequest：实时音频流识别请求。
• SFSpeechRecognitionTask：识别任务，返回识别结果和状态。
• AVAudioEngine：音频引擎，用于捕获麦克风输入。

典型流程为：初始化识别器 → 创建音频请求 → 启动音频引擎 → 处理识别结果 → 停止任务。

三、实现步骤：从零搭建语音转文字功能

1. 权限配置

在Info.plist中添加以下权限描述（需用户授权）：

<key>NSSpeechRecognitionUsageDescription</key>
<string>需要麦克风权限以实现语音转文字功能</string>
<key>NSMicrophoneUsageDescription</key>
<string>需要麦克风权限以录制语音</string>

2. 初始化语音识别器

import Speech
let speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN"))! // 中文识别
guard speechRecognizer.isAvailable else {
    print("语音识别服务不可用")
    return
}

3. 创建音频识别请求

let recognitionRequest = SFSpeechAudioBufferRecognitionRequest()
var recognitionTask: SFSpeechRecognitionTask?

4. 配置音频引擎

let audioEngine = AVAudioEngine()
let audioSession = AVAudioSession.sharedInstance()
do {
    try audioSession.setCategory(.record, mode: .measurement, options: .duckOthers)
    try audioSession.setActive(true, options: .notifyOthersOnDeactivation)
} catch {
    print("音频会话配置失败: \(error)")
}
// 添加音频输入节点
let inputNode = audioEngine.inputNode
let recordingFormat = inputNode.outputFormat(forBus: 0)
inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { buffer, _ in
    recognitionRequest.append(buffer)
}
// 启动音频引擎
audioEngine.prepare()
try audioEngine.start()

5. 启动识别任务并处理结果

recognitionTask = speechRecognizer.recognitionTask(with: recognitionRequest) { result, error in
    if let result = result {
        // 实时更新识别文本（可能为最终结果或中间结果）
        let transcribedText = result.bestTranscription.formattedString
        print("识别结果: \(transcribedText)")
        if result.isFinal {
            print("最终结果: \(transcribedText)")
            // 停止任务（根据需求）
            self.audioEngine.stop()
            recognitionTask?.cancel()
        }
    }
    if let error = error {
        print("识别错误: \(error.localizedDescription)")
        self.audioEngine.stop()
    }
}

四、进阶优化与注意事项

1. 性能优化

• 缓冲大小调整：通过bufferSize参数平衡延迟与CPU占用。
• 后台模式：在Capabilities中启用Audio, AirPlay, and Picture in Picture以支持后台识别。
• 语言动态切换：根据用户选择更新SFSpeechRecognizer的locale属性。

2. 错误处理

常见错误包括：

• 权限被拒：检查Info.plist配置和用户授权状态。
• 服务不可用：检查设备是否支持（如旧款iPad可能不支持某些语言）。
• 音频中断：监听AVAudioSession.interruptionNotification处理中断事件。

3. 离线与在线模式

Speech框架默认使用设备端模型，但可通过以下方式优化：

• 强制离线：设置SFSpeechRecognizer的requiresOnDeviceRecognition为true（iOS 13+）。
• 混合模式：结合SFSpeechRecognitionTask的shouldReportPartialResults属性实现实时反馈。

五、完整代码示例

import UIKit
import Speech
import AVFoundation
class ViewController: UIViewController {
    private let speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN"))!
    private var recognitionRequest: SFSpeechAudioBufferRecognitionRequest?
    private var recognitionTask: SFSpeechRecognitionTask?
    private let audioEngine = AVAudioEngine()
    override func viewDidLoad() {
        super.viewDidLoad()
        requestAuthorization()
    }
    private func requestAuthorization() {
        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:
                    print("语音识别权限被拒或未确定")
                @unknown default:
                    break
                }
            }
        }
    }
    @IBAction func startRecording(_ sender: UIButton) {
        guard speechRecognizer.isAvailable else {
            print("语音识别服务不可用")
            return
        }
        recognitionRequest = SFSpeechAudioBufferRecognitionRequest()
        guard let request = recognitionRequest else { return }
        // 配置音频会话
        let audioSession = AVAudioSession.sharedInstance()
        do {
            try audioSession.setCategory(.record, mode: .measurement, options: .duckOthers)
            try audioSession.setActive(true, options: .notifyOthersOnDeactivation)
        } catch {
            print("音频会话配置失败: \(error)")
            return
        }
        // 启动识别任务
        recognitionTask = speechRecognizer.recognitionTask(with: request) { result, error in
            if let result = result {
                let text = result.bestTranscription.formattedString
                print("识别结果: \(text)")
            }
            if let error = error {
                print("识别错误: \(error.localizedDescription)")
                self.stopRecording()
            }
        }
        // 配置音频引擎
        let inputNode = audioEngine.inputNode
        let recordingFormat = inputNode.outputFormat(forBus: 0)
        inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { buffer, _ in
            request.append(buffer)
        }
        audioEngine.prepare()
        do {
            try audioEngine.start()
        } catch {
            print("音频引擎启动失败: \(error)")
        }
    }
    @IBAction func stopRecording(_ sender: UIButton? = nil) {
        if audioEngine.isRunning {
            audioEngine.stop()
            recognitionRequest?.endAudio()
            recognitionTask?.cancel()
            recognitionTask = nil
            recognitionRequest = nil
        }
    }
}

六、总结与展望

Speech框架为iOS开发者提供了高效、安全的语音识别解决方案，尤其适合对隐私和实时性要求高的场景。通过合理配置音频缓冲、错误处理和权限管理，可实现稳定的语音转文字功能。未来，随着苹果对设备端AI模型的持续优化，Speech框架的性能和语言支持将进一步提升，为无障碍交互、智能客服等领域创造更多可能。

开发者在实际应用中需注意测试不同设备型号和iOS版本的兼容性，并关注苹果官方文档的更新，以充分利用框架的最新特性。