iOS 10 语音识别Speech Framework详解

最近做了一个项目，涉及到语音识别，使用的是iOS的speech Framework框架，在网上搜了很多资料，也看了很多博客，但介绍的不是很详细，正好项目做完，在这里给大家详解一下speech Framework的运用，使用的语言是Swift，文章结尾会给OC语言的网址，可以参照。

首先要做的准备，将开发的app版本设置为iOS 10，这是苹果在iOS 10 发布出来的时候新增的内容，低于这版本用不了，同时运行的设备系统也得保持在iOS 10 及以上。

废话不多说，先上代码。

语音识别需要用户给予权限，在info.plist文件中增加两个key:

• NSMicrophoneUsageDescription - 这个 key 用于指定录音设备授权信息。注意，只有在用户点击麦克风按钮时，这条信息才会显示。

• NSSpeechRecognitionUsageDescription - 这个 key 用于指定语音识别授权信息。

这里就不做UI了，将机制写出来，大家可以根据自己的需要完善 。

import UIKit
import Speech

// 引用的框架是Speech,需要遵循的协议有两个
class ViewController: UIViewController ,SFSpeechRecognizerDelegate, SFSpeechRecognitionTaskDelegate {
    // 语音识别对象,这里直接给出识别语言(中文)
    private let speechRecognizer = SFSpeechRecognizer(locale: Locale.init(identifier: "zh_CN"))!
    // 识别请求
    private var recognitionRequest: SFSpeechAudioBufferRecognitionRequest?
    // 识别任务
    private var recognitionTask: SFSpeechRecognitionTask?
    // 设备音频
    private let audioSession = AVAudioSession.sharedInstance()
    // 声音输入引擎
    private let audioEngine = AVAudioEngine()
    // 麦克风按钮是否可点，取决于用户权限
    private var micButtonEnabled = false
    // 语音识别结果
    private var recordResult:String = ""
    // 说话间隔时间
    private var timer:Timer!

    override func viewDidLoad() {
        super.viewDidLoad()

        speechRecognizer.delegate = self

        // 语音识别权限请求
        SFSpeechRecognizer.requestAuthorization { (authStatus) in
            switch authStatus {
            case .authorized:
                // 通过授权
                self.micButtonEnabled = true
                break
            case .denied:
                // 拒绝授权
                self.micButtonEnabled = false
                break
            case .restricted:
                // 权限受限制
                self.micButtonEnabled = false
                break
            case .notDetermined:
                // 权限不明确
                self.micButtonEnabled = false
                break
            }
        }
    }

    // 这里就会出现一个问题，比如说用户同意了语音识别权限，麦克风按钮可点，返回桌面进入设置，找到本应用，关闭语音识别权限，然后再进入app，发现麦克风按钮还是可点的，这就尴尬啦，所以页面出现时还要判断当前权限
    override func viewWillAppear(_ animated: Bool) {
        // 获取当前语音识别权限
        AVAudioSession.sharedInstance().requestRecordPermission { (permiss:Bool) in
            self.micButtonEnabled = permiss
        }
    }

    // 开始语音识别（这是我们自己写的方法，在麦克风按钮事件中调用这个函数）
    func startRecording(){
        // 判断音声引擎是否在运行
        if !audioEngine.isRunning {
            recordResult = "" // 接收识别结果的String赋为空
            recording()
        }
    }

    // 语音识别终止
    func stopRecording(){
        if (recognitionRequest != nil) {
            recognitionRequest?.endAudio()
        }
    }

    // 语音识别详细内容
    func recording() {
        // 判断目前有无识别任务，取消之前所有任务
        if recognitionTask != nil {
            recognitionTask?.cancel()
            recognitionTask = nil
        }
        do {
            // 设置设备音频
            try audioSession.setCategory(AVAudioSessionCategoryRecord) // 将音频设置为录音
            try audioSession.setMode(AVAudioSessionModeMeasurement)
            try audioSession.setActive(true, with: .notifyOthersOnDeactivation)
        } catch {
            print("audioSession properties weren't set because of an error.")
        }
        // 初始化识别请求
        recognitionRequest = SFSpeechAudioBufferRecognitionRequest()

        guard let inputNode = audioEngine.inputNode else {
            fatalError("Audio engine has no input node")
        }

        guard let recognitionRequest = recognitionRequest else {
            fatalError("Unable to create an SFSpeechAudioBufferRecognitionRequest object")
        }
        recognitionRequest.shouldReportPartialResults = true
        // 登机语音识别任务
        recognitionTask = speechRecognizer.recognitionTask(with: recognitionRequest, delegate: self)

        // 麦克风获取语音片断
        let recordingFormat = inputNode.outputFormat(forBus: )

        // 追加后续输入的语音
        inputNode.installTap(onBus: , bufferSize: , format: recordingFormat) { (buffer, when) in
            self.recognitionRequest?.append(buffer)
        }
        audioEngine.prepare()
        do {
            // 开始录音
            try audioEngine.start()
        } catch {
            print("audioEngine couldn't start because of an error.")
        }
    }

    /******* 以下都是代理方法 *******/

    // 判断当前是否连接网络
    func speechRecognizer(_ speechRecognizer: SFSpeechRecognizer, availabilityDidChange available: Bool) {
        // 这里有两点不足，1：只有关闭或打开网络的操作时这个函数才执行，如果我一直不改变网络状态，这个函数等于没用。假设我点击语音按钮时判断available是否为true，false时弹出alert提示没网，那么设备没联网的状态下打开app且不改变网络状态，点击语音按钮就不会提示，这就需要程序员自己判断了。2：这个函数判断不了当前连接的网络是否有效，比如连了一个无效的wifi，available还是为true
    }

    // 录音过程中获取到声音
    func speechRecognitionTask(_ task: SFSpeechRecognitionTask, didHypothesizeTranscription transcription: SFTranscription) {
        // 这个代理方法非常重要，录音过程中检测到声音就会执行，比如说了话之后让他自动结束语音，就可以在此加上计时器timer。
         if(timer != nil && timer.isValid){
            timer.invalidate()
            timer = nil
         }
         timer = Timer.scheduledTimer(withTimeInterval: , repeats: true, block: { (Timer) in
            self.stopRecording()
         })
        //只要在说话，计时器就不会走，停止说话计时器开始走，停止2两秒不说话，则录音就会自动结束开始识别成文本，时间可以自己设置
    }

    // 开始识别语音
    func speechRecognitionTaskFinishedReadingAudio(_ task: SFSpeechRecognitionTask) {
        // 将声音转成文字，这个函数里面可以什么都不用写
    }

    // 录音结束之后的识别处理
    func speechRecognitionTask(_ task: SFSpeechRecognitionTask, didFinishRecognition recognitionResult: SFSpeechRecognitionResult) {
        print(recognitionResult) // 输出的是一个数组，里面是所有识别出来的结果
        recordResult = recognitionResult.bestTranscription.formattedString // 获取最优的结果，这里看情况，不一定是你需要的那个，也可以做一个tableView，让用户自己选结果
    }

    // 语音转文本结束
    func speechRecognitionTask(_ task: SFSpeechRecognitionTask, didFinishSuccessfully successfully: Bool) {
        // 语音识别结束后，在这里释放对象
        audioEngine.stop()
        audioEngine.inputNode?.removeTap(onBus: )
        self.recognitionRequest = nil
        self.recognitionTask = nil
        do {
            // 添加这个代码是因为涉及到文本转语音的需求。语音识别会让音频处于录音状态，这个时候要朗读文本的话根本没有声音，所以需要添加这个设置。
            try audioSession.setCategory(AVAudioSessionCategoryAmbient)
        }catch let error as NSError{
            print(error.code)
        }
        if(timer != nil){
            timer.invalidate()
            timer = nil
        }
        // 在这里，大家拿到了recordResult，就可以做想做的事啦
    }
}

这是比较完整的代理方法，网上还有另一种方法，我就直接复制粘贴过来了：

func startRecording() {
    if recognitionTask != nil {
        recognitionTask?.cancel()
        recognitionTask = nil
    }

    let audioSession = AVAudioSession.sharedInstance()
    do {
        try audioSession.setCategory(AVAudioSessionCategoryRecord)
        try audioSession.setMode(AVAudioSessionModeMeasurement)
        try audioSession.setActive(true, with: .notifyOthersOnDeactivation)
    } catch {
        print("audioSession properties weren't set because of an error.")
    }

    recognitionRequest = SFSpeechAudioBufferRecognitionRequest()

    guard let inputNode = audioEngine.inputNode else {
        fatalError("Audio engine has no input node")
    }

    guard let recognitionRequest = recognitionRequest else {
        fatalError("Unable to create an SFSpeechAudioBufferRecognitionRequest object")
    }

    recognitionRequest.shouldReportPartialResults = true

    recognitionTask = speechRecognizer.recognitionTask(with: recognitionRequest, resultHandler: { (result, error) in

        var isFinal = false

        if result != nil {
            // 此处获取语音识别结果，处理获取到识别结果之后的事
            self.textView.text = result?.bestTranscription.formattedString
            isFinal = (result?.isFinal)!
        }

        if error != nil || isFinal {
            self.audioEngine.stop()
            inputNode.removeTap(onBus: )

            self.recognitionRequest = nil
            self.recognitionTask = nil

            self.microphoneButton.isEnabled = true
        }
    })

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

    audioEngine.prepare()

    do {
        try audioEngine.start()
    } catch {
        print("audioEngine couldn't start because of an error.")
    }

    textView.text = "Say something, I'm listening!"

}

两种方法之间识别结果都是一样的，但第二种方法比较死板，无法设置自动结束语音，适应不了更多需求。

以上就是我对Speech Framework的个人理解，希望对广大同行有所帮助。

最后再贴一个OC版本的连接，别人写的，也是第一种方法，可以一起参考一下：https://my.oschina.net/u/2340880/blog/751442