1. 核心框架：android.speech - 这是最基础、最常用的语音识别 API。
2. 高级框架：MediaPipe - Google 提供的强大工具,用于实时音频流处理和机器学习。
3. 专业领域：ML Kit - 用于离线、设备端的特定声音识别任务。
4. 系统级功能：AccessibilityService - 实现全局语音控制。
5. 硬件与系统底层 - 支持声音识别的硬件基础和系统服务。
6. 开发实践与最佳实践 - 如何在实际项目中应用这些技术。

核心框架：android.speech - 语音识别与合成

这是 Android 系统自带的、用于处理语音输入和输出的核心 API,它主要包含两个部分：

a) RecognizerIntent - 语音识别

这是实现“语音转文字”（Speech-to-Text, STT）最直接的方式，它会调用系统自带的语音识别服务（如 Google 语音助手）,并返回识别结果。

主要特点：

• 系统级集成：用户体验好,界面熟悉。
• 需要网络：通常需要连接互联网才能获得高准确率的结果。
• 功能丰富：可以识别语音搜索、自由form文本、命令等。

核心组件：

• SpeechRecognizer：管理识别过程的类。
• RecognizerIntent：一个 Intent,用于启动语音识别活动。

基本使用流程：

1. 检查权限：

   <uses-permission android:name="android.permission.RECORD_AUDIO" />

2. 创建 SpeechRecognizer 实例：

   SpeechRecognizer speechRecognizer = SpeechRecognizer.createSpeechRecognizer(this);

3. 设置 RecognitionListener：用于接收识别过程中的各种回调（开始、结束、结果、错误等）。

   speechRecognizer.setRecognitionListener(new RecognitionListener() {
       @Override
       public void onResults(Bundle results) {
           // 获取识别结果
           ArrayList<String> matches = results.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION);
           if (matches != null && !matches.isEmpty()) {
               String result = matches.get(0); // 通常第一个是最佳匹配
               Log.d("Speech", "识别结果: " + result);
           }
       }
       @Override
       public void onError(int error) {
           Log.e("Speech", "识别错误: " + error);
       }
       // ... 其他回调方法
   });

4. 构建并启动 Intent：

   
   （图片来源网络，侵删）

   Intent intent = new Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH);
   intent.putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL, RecognizerIntent.LANGUAGE_MODEL_FREE_FORM);
   intent.putExtra(RecognizerIntent.EXTRA_LANGUAGE, Locale.getDefault());
   intent.putExtra(RecognizerIntent.EXTRA_PARTIAL_RESULTS, true); // 是否返回部分结果
   // 启动识别
   speechRecognizer.startListening(intent);

适用场景：语音搜索、语音输入框、简单的语音命令等。

b) TextToSpeech - 语音合成

这是将文字转换为语音（Text-to-Speech, TTS）的 API。

基本使用流程：

1. 初始化 TextToSpeech：

   TextToSpeech tts = new TextToSpeech(this, new TextToSpeech.OnInitListener() {
       @Override
       public void onInit(int status) {
           if (status == TextToSpeech.SUCCESS) {
               int result = tts.setLanguage(Locale.US);
               if (result == TextToSpeech.LANG_MISSING_DATA || result == TextToSpeech.LANG_NOT_SUPPORTED) {
                   Log.e("TTS", "语言不支持");
               } else {
                   // 可以开始朗读
                   tts.speak("Hello, World!", TextToSpeech.QUEUE_ADD, null, null);
               }
           }
       }
   });

2. 释放资源：

   @Override
   protected void onDestroy() {
       if (tts != null) {
           tts.stop();
           tts.shutdown();
       }
       super.onDestroy();
   }

高级框架：MediaPipe - 实时音频处理

MediaPipe 是 Google 开发的一个跨平台机器学习解决方案，它提供了强大的音频处理能力,可以在设备上对音频流进行实时分析。

主要特点：

• 实时性：专为流式数据设计,延迟低。
• 设备端：模型在设备上运行，保护隐私,无需网络。
• 模块化：提供了预构建的音频解决方案,也支持自定义模型。

核心音频解决方案：

1. Audio Classifier：音频分类器。

   • 功能：实时识别音频流中的声音类别，识别是“狗叫”、“猫叫”、“婴儿哭声”还是“敲门声”。
   • 预训练模型：Google 提供了多种预训练模型，如“动物声音分类”、“乐器分类”等。
   • 适用场景：智能家居（检测烟雾报警器）、安全监控（检测玻璃破碎声）、可穿戴设备（检测摔倒声）。

2. Speech-to-Text：设备端语音识别。

   • 功能：在设备上直接进行语音识别，无需网络,支持多种语言。
   • 适用场景：对隐私要求高、无网络环境或需要低延迟的应用。

如何使用 MediaPipe Audio Classifier (示例):

1. 添加依赖：

   implementation 'com.google.mediapipe:tasks-audio:latest_version' // 请替换为最新版本号

2. 准备模型文件：将 .tflite 模型文件（如 yamnet.tflite）放入 assets 目录。

3. 初始化 AudioClassifier：

   AudioClassifierOptions options = AudioClassifierOptions.builder()
           .setBaseOptions(BaseOptions.builder().setModelAssetPath("yamnet.tflite").build())
           .setMaxResults(1)
           .build();
   AudioClassifier classifier = AudioClassifier.createFromFile(this, options);

4. 创建音频输入：

   // 从麦克风获取音频输入
   AudioRecord record = classifier.createAudioRecord();
   record.startRecording();

5. 运行分类：

   // 在后台线程中持续运行
   new Thread(() -> {
       while (isRunning) {
           List<Classifications> classifications = classifier.classify(record);
           // 处理分类结果，获取置信度最高的类别
           if (!classifications.isEmpty()) {
               Classifications result = classifications.get(0);
               // ... 更新UI或执行逻辑
           }
           Thread.sleep(100); // 控制频率
       }
   }).start();

专业领域：ML Kit - 特定声音识别

ML Kit 提供了专门用于声音识别的 API，目前最突出的是声音标签检测。

主要特点：

• 设备端：完全在设备上运行,保护隐私。
• 简单易用：API 非常简洁。
• 特定任务：专注于识别环境中的特定声音事件。

核心功能：Sound Classification (声音分类)

• 功能：可以检测预先定义的几类声音，如“婴儿哭声”、“咳嗽声”、“打喷嚏声”、“玻璃破碎声”等。
• 工作方式：它分析短时间内的音频（几秒钟），判断是否包含目标声音,并返回一个布尔值和置信度。

如何使用 ML Kit Sound Classification (示例):

1. 添加依赖：

   implementation 'com.google.mlkit:sound-label-detection:16.1.0'

2. 初始化 SoundLabelDetector：

   SoundLabelDetectorOptions options = new SoundLabelDetectorOptions.Builder()
           .setConfidenceThreshold(0.75f) // 设置置信度阈值
           .build();
   SoundLabelDetector detector = SoundLabelDetector.getClient(options);

3. 处理音频： 你需要提供一个 AudioRecord 或 AudioBuffer 作为输入，ML Kit 会持续分析这个音频流。

   // 创建 AudioRecord ...
   detector.detectFromAudioRecord(record, new SoundLabelDetector.DetectorListener() {
       @Override
       public void onDetect(List<SoundLabel> labels) {
           // 处理检测结果
           for (SoundLabel label : labels) {
               Log.d("ML Kit", "声音: " + label.getLabel() + ", 置信度: " + label.getConfidence());
           }
       }
       @Override
       public void onError(@NonNull DetectorException e) {
           Log.e("ML Kit", "检测错误", e);
       }
   });

系统级功能：AccessibilityService - 全局语音控制

如果你的应用需要实现类似“嘿，Google”的全局语音唤醒和命令功能，你需要使用 AccessibilityService。

主要特点：

• 全局监听：可以监听系统级的所有事件，包括按键、触摸和语音事件。
• 需要特殊权限：用户必须在系统设置中手动授权。
• 用于交互：通常用于辅助功能或实现独特的交互方式。

工作流程：

1. 创建 AccessibilityService。
2. 在 AndroidManifest.xml 中声明服务并设置权限。
3. 创建配置文件 accessibility_service_config.xml，指定监听的事件类型（如 typeNotificationStateChanged，用于检测语音助手的唤醒）。
4. 在代码中重写 onAccessibilityEvent 方法，当检测到特定事件（如用户说出“Hey MyApp”）时,执行相应操作。

适用场景：自定义语音助手、通过语音控制整个应用或设备功能。

硬件与系统底层

声音识别的体验离不开硬件和系统的支持。

• DSP (Digital Signal Processor)：现代 SoC 中通常集成了 DSP，专门用于处理音频信号，如降噪、回声消除、声源定位等，这为上层的声音识别算法提供了高质量的“干净”音频输入。
• Wake Word Engine：系统级的唤醒词引擎（如 Google 的 Ok Google）运行在后台，功耗极低，它负责持续监听麦克风，只有在检测到唤醒词时，才会激活更耗电、更复杂的语音识别模块。
• 系统服务：Android 系统服务（如 SpeechRecognizer 的实现）负责协调应用、硬件和云端（如果需要）之间的通信。

开发实践与最佳实践

选择建议：

• 只是想在 App 里加个语音输入框？ -> 用 android.speech。
• 想实时识别环境中的特定声音（比如狗叫）？ -> 用 MediaPipe Audio Classifier。
• 想检测几种特定的声音事件（比如咳嗽、玻璃破碎）？ -> 用 ML Kit Sound Classification。
• 想做一个类似“嘿，Siri”的全局唤醒功能？ -> 用 AccessibilityService。

其他注意事项：

• 权限：始终请求 RECORD_AUDIO 权限,并清晰告知用户用途。
• 性能：实时音频处理非常消耗 CPU 和电量，务必在后台线程处理，并在不需要时及时释放资源（如关闭 AudioRecord）。
• 用户体验：提供清晰的视觉或听觉反馈,让用户知道系统正在监听或处理中。
• 隐私：处理用户音频是敏感操作，如果可能，优先选择设备端方案（MediaPipe, ML Kit）,并明确告知用户数据不会被上传。