iOS 10中如何搭建一个语音转文字框架

一、框架搭建前的系统兼容性考量

在iOS 10中搭建语音转文字框架，首要任务是确认系统对语音识别功能的支持程度。iOS 10引入了SFSpeechRecognizer类，这是苹果官方提供的语音识别API，标志着系统原生语音转文字功能的成熟。开发者需明确，该API仅支持iOS 10及以上版本，因此需在项目配置中设置最低部署目标为iOS 10，确保功能兼容性。

二、核心API：SFSpeechRecognizer详解

SFSpeechRecognizer是iOS语音转文字的核心类，其功能涵盖语音识别任务的创建、管理以及结果的获取。使用该API前，需在项目中导入Speech框架：

import Speech

1. 请求语音识别权限

语音识别功能需用户明确授权，开发者需在Info.plist中添加NSSpeechRecognitionUsageDescription键，描述应用使用语音识别的目的，如“本应用需要访问您的麦克风以实现语音转文字功能”。在代码中，通过SFSpeechRecognizer.requestAuthorization方法请求权限：

SFSpeechRecognizer.requestAuthorization { authStatus in
    switch authStatus {
    case .authorized:
        print("用户已授权语音识别")
    case .denied, .restricted, .notDetermined:
        print("用户拒绝或未决定授权")
    }
}

2. 创建语音识别请求

语音识别请求通过SFSpeechAudioBufferRecognitionRequest或SFSpeechURLRecognitionRequest实现，前者适用于实时音频流，后者适用于已录制的音频文件。以实时音频流为例：

let audioEngine = AVAudioEngine()
let speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN")) // 中文识别
let recognitionRequest = SFSpeechAudioBufferRecognitionRequest()
var recognitionTask: SFSpeechRecognitionTask?

三、音频引擎配置与实时识别

1. 配置AVAudioEngine

AVAudioEngine负责音频的输入与处理，需配置音频会话并添加输入节点：

let audioSession = AVAudioSession.sharedInstance()
try audioSession.setCategory(.record, mode: .measurement, options: .duckOthers)
try audioSession.setActive(true, options: .notifyOthersOnDeactivation)
let inputNode = audioEngine.inputNode

2. 安装音频缓冲区委托

通过installTap方法，将音频缓冲区数据传递给语音识别请求：

let recordingFormat = inputNode.outputFormat(forBus: 0)
inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { (buffer: AVAudioPCMBuffer, when: AVAudioTime) in
    recognitionRequest?.append(buffer)
}

3. 启动语音识别任务

创建并启动语音识别任务，处理识别结果：

recognitionTask = speechRecognizer?.recognitionTask(with: recognitionRequest!) { result, error in
    if let result = result {
        let transcribedText = result.bestTranscription.formattedString
        print("识别结果：\(transcribedText)")
    } else if let error = error {
        print("识别错误：\(error.localizedDescription)")
    }
}
audioEngine.prepare()
try audioEngine.start()

四、优化策略与错误处理

1. 性能优化

• 音频格式选择：使用AVAudioFormat(commonFormat: .pcmFormatFloat32, sampleRate: 16000, channels: 1, interleaved: false)确保音频质量与处理效率。
• 缓冲区大小调整：根据设备性能调整bufferSize，避免数据堆积或丢失。

2. 错误处理

• 权限拒绝：监听SFSpeechRecognizerAuthorizationStatus变化，引导用户至设置页开启权限。
• 网络依赖：SFSpeechRecognizer需网络连接，离线时需提示用户或切换至本地识别库。
• 超时与重试：设置识别超时时间，超时后自动重试或提示用户重新说话。

五、完整代码示例

import Speech
import AVFoundation
class SpeechToTextManager {
    private let speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN"))
    private var recognitionRequest: SFSpeechAudioBufferRecognitionRequest?
    private var recognitionTask: SFSpeechRecognitionTask?
    private let audioEngine = AVAudioEngine()
    func startRecording() {
        requestAuthorization { [weak self] authorized in
            guard authorized, let self = self else { return }
            self.setupSpeechRecognition()
        }
    }
    private func requestAuthorization(completion: @escaping (Bool) -> Void) {
        SFSpeechRecognizer.requestAuthorization { authStatus in
            DispatchQueue.main.async {
                completion(authStatus == .authorized)
            }
        }
    }
    private func setupSpeechRecognition() {
        recognitionRequest = SFSpeechAudioBufferRecognitionRequest()
        guard let recognitionRequest = recognitionRequest else { return }
        recognitionTask = speechRecognizer?.recognitionTask(with: recognitionRequest) { result, error in
            if let result = result {
                print("识别结果：\(result.bestTranscription.formattedString)")
            } else if let error = error {
                print("错误：\(error.localizedDescription)")
            }
        }
        let audioSession = AVAudioSession.sharedInstance()
        try? audioSession.setCategory(.record, mode: .measurement, options: .duckOthers)
        try? audioSession.setActive(true, options: .notifyOthersOnDeactivation)
        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?.finish()
    }
}

六、总结与展望

在iOS 10中搭建语音转文字框架，需深入理解SFSpeechRecognizer的工作原理，合理配置音频引擎与权限管理。通过实时音频流处理与错误优化策略，可构建稳定、高效的语音识别应用。未来，随着iOS系统更新，开发者可探索更先进的语音识别技术，如离线识别、多语言混合识别等，进一步提升用户体验。