Android 离线语音输入实现方案

在移动应用开发中，语音输入已成为提升用户体验的重要交互方式。然而，传统的云端语音识别方案存在明显的痛点：网络依赖、隐私风险、延迟抖动、成本不可控。对于需要高隐私保护、弱网环境可用、或实时性要求高的场景，真正的离线语音识别成为必需。

三大主流方案对比

Sherpa ONNX（强烈推荐）

Sherpa ONNX 是新一代开源语音识别工具包，基于下一代 Kaldi（k2）和 ONNX Runtime，专为嵌入式和移动设备优化。

快速集成

1. 下载模型：从 Releases 下载中文模型（推荐 20M 版本，约 60MB）
2. 添加依赖：implementation 'com.github.k2-fsa:sherpa-onnx-android:1.10.0'
3. 初始化识别器：加载模型并创建 OfflineRecognizer
4. 录音识别：使用 AudioRecord 采集音频，调用 recognizer.decode()

核心代码

// 初始化识别器
val config = OfflineRecognizerConfig().apply {
    modelConfig = OfflineModelConfig().apply {
        transducer = OfflineTransducerModelConfig().apply {
            encoder = "$modelDir/encoder.onnx"
            decoder = "$modelDir/decoder.onnx"
            joiner = "$modelDir/joiner.onnx"
        }
        tokens = "$modelDir/tokens.txt"
        numThreads = 4
    }
}
val recognizer = OfflineRecognizer(config)

// 识别音频
val result = recognizer.decode(audioData, 16000f)
println(result.text)

完整实现参考官方 Android 示例项目。

模型选择

* RTF：处理 1 秒音频所需时间，< 1 表示实时

Whisper（适合转写）

Whisper 是 OpenAI 开源的通用语音识别模型。需要通过 whisper.cpp 移植到 Android。

Vosk（备选）

Vosk 基于传统 Kaldi，API 设计简洁，适合快速原型开发。但模型相对老旧，Sherpa ONNX 是更好的选择。

// Vosk 简洁 API
val model = Model("/path/to/model")
val recognizer = Recognizer(model, 16000f)
recognizer.acceptWaveform(buffer)
val result = recognizer.result()

性能优化建议

• 减小 APK 体积：首次启动时从服务器下载模型
• 提升准确率：确保 16kHz 采样率，添加降噪和 VAD
• 内存优化：延迟加载模型，识别器实例复用
• 热词优化：使用热词文件提升领域词汇识别率

总结

Android 离线语音识别技术已经相当成熟，Sherpa ONNX 凭借出色的性能、小巧的模型体积和活跃的社区，成为当前最推荐的方案。