iOS Speech框架概述

在iOS开发中，语音识别与文字转换是一项极具实用性的功能，广泛应用于语音输入、智能助手、无障碍服务等场景。苹果官方提供的Speech框架为开发者提供了强大且易用的API，支持实时语音识别、多语言处理、结果回调等核心功能。本文将详细解析Speech框架的使用方法，帮助开发者快速实现语音转文字功能。

一、Speech框架基础配置

1. 添加权限声明

在使用Speech框架前，需在Info.plist中添加麦克风使用权限声明。打开Info.plist文件，添加以下键值对：

<key>NSMicrophoneUsageDescription</key>
<string>需要麦克风权限以实现语音识别功能</string>

此声明用于向用户解释应用为何需要访问麦克风，提升用户授权率。

2. 导入Speech框架

在需要使用语音识别的Swift文件中，导入Speech框架：

import Speech

3. 请求语音识别权限

在首次使用语音识别功能前，需向用户请求权限。通过SFSpeechRecognizer的requestAuthorization方法实现：

func requestSpeechRecognitionPermission() {
    SFSpeechRecognizer.requestAuthorization { authStatus in
        DispatchQueue.main.async {
            switch authStatus {
            case .authorized:
                print("语音识别权限已授权")
            case .denied:
                print("用户拒绝语音识别权限")
            case .restricted:
                print("语音识别权限受限")
            case .notDetermined:
                print("语音识别权限未确定")
            @unknown default:
                print("未知权限状态")
            }
        }
    }
}

建议在应用启动时或首次进入语音识别页面时调用此方法，避免在识别过程中因权限问题导致失败。

二、实现语音转文字功能

1. 创建语音识别器

使用SFSpeechRecognizer创建语音识别器实例，并指定识别语言（默认为系统语言）：

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

2. 创建音频引擎与识别请求

通过AVAudioEngine捕获音频输入，并创建SFSpeechAudioBufferRecognitionRequest实例：

let audioEngine = AVAudioEngine()
let recognitionRequest = SFSpeechAudioBufferRecognitionRequest()
// 配置识别请求
recognitionRequest.shouldReportPartialResults = true // 实时返回部分结果

3. 启动语音识别任务

创建SFSpeechRecognitionTask并启动识别：

guard let recognitionTask = speechRecognizer?.recognitionTask(with: recognitionRequest) {
    return
}
// 设置识别结果回调
recognitionTask.setResultHandler { result, error in
    if let result = result {
        let transcribedText = result.bestTranscription.formattedString
        print("识别结果: \(transcribedText)")
        // 处理最终结果（当result.isFinal为true时）
        if result.isFinal {
            print("最终结果: \(transcribedText)")
        }
    }
    if let error = error {
        print("识别错误: \(error.localizedDescription)")
        recognitionTask.cancel()
    }
}

4. 配置音频引擎并启动

配置音频引擎的输入节点，并启动引擎：

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()

三、高级功能实现

1. 实时识别与部分结果处理

通过设置recognitionRequest.shouldReportPartialResults = true，可在用户说话过程中实时获取部分识别结果，提升交互体验。例如，在即时通讯应用中实现边说边显示文字的功能。

2. 多语言支持

Speech框架支持多种语言识别，通过创建不同Locale的SFSpeechRecognizer实例实现：

// 英文识别
let enRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "en-US"))
// 日文识别
let jaRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "ja-JP"))

3. 识别结果优化

• 过滤无效字符：通过正则表达式过滤识别结果中的标点符号或特殊字符。
• 上下文关联：结合NLP技术，对识别结果进行语义修正（如“苹果”在特定上下文中可能指“水果”或“公司”）。

四、性能优化与注意事项

1. 资源管理

• 及时取消任务：在视图控制器销毁或页面退出时，取消识别任务并停止音频引擎：

recognitionTask.cancel()
audioEngine.stop()
recognitionRequest.endAudio()

• 复用识别器：避免频繁创建SFSpeechRecognizer实例，可在全局范围内复用。

2. 错误处理

常见错误及解决方案：

• 权限错误：检查Info.plist配置，引导用户至系统设置开启权限。
• 音频引擎错误：确保麦克风硬件正常，检查AVAudioSession配置。
• 网络错误：Speech框架部分功能需网络支持，确保设备联网。

3. 功耗优化

• 降低音频采样率（如从44.1kHz降至16kHz）。
• 在后台任务中暂停识别。

五、完整代码示例

import UIKit
import Speech
import AVFoundation
class VoiceRecognitionViewController: UIViewController {
    private let speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN"))
    private var recognitionRequest: SFSpeechAudioBufferRecognitionRequest?
    private var recognitionTask: SFSpeechRecognitionTask?
    private let audioEngine = AVAudioEngine()
    @IBOutlet weak var textView: UITextView!
    @IBOutlet weak var recordButton: UIButton!
    override func viewDidLoad() {
        super.viewDidLoad()
        requestSpeechRecognitionPermission()
    }
    func requestSpeechRecognitionPermission() {
        SFSpeechRecognizer.requestAuthorization { authStatus in
            DispatchQueue.main.async {
                self.recordButton.isEnabled = (authStatus == .authorized)
            }
        }
    }
    @IBAction func startRecording(_ sender: UIButton) {
        guard let speechRecognizer = speechRecognizer else { return }
        if audioEngine.isRunning {
            audioEngine.stop()
            recognitionRequest?.endAudio()
            recordButton.setTitle("开始录音", for: .normal)
        } else {
            startRecording()
            recordButton.setTitle("停止录音", for: .normal)
        }
    }
    private func startRecording() {
        recognitionRequest = SFSpeechAudioBufferRecognitionRequest()
        guard let recognitionRequest = recognitionRequest else { return }
        recognitionRequest.shouldReportPartialResults = true
        guard let recognitionTask = speechRecognizer?.recognitionTask(with: recognitionRequest) {
            return
        }
        self.recognitionTask = recognitionTask
        recognitionTask.setResultHandler { result, error in
            if let result = result {
                let text = result.bestTranscription.formattedString
                DispatchQueue.main.async {
                    self.textView.text = text
                }
            }
            if let error = error {
                print("识别错误: \(error.localizedDescription)")
                recognitionTask.cancel()
            }
        }
        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()
    }
    deinit {
        recognitionTask?.cancel()
        audioEngine.stop()
        recognitionRequest?.endAudio()
    }
}

六、总结

Speech框架为iOS开发者提供了高效、易用的语音识别解决方案，通过合理配置权限、音频引擎和识别请求，可快速实现语音转文字功能。在实际开发中，需注意资源管理、错误处理和性能优化，以提升用户体验。本文提供的代码示例和最佳实践，可作为开发者实现语音识别功能的参考。