很多应用已经具备录音功能,例如会议记录、采访工具、课程学习和语音备忘录等。但录音文件通常只能通过播放来回顾内容,用户想要找到某个具体信息时,仍然需要从头听到尾。
如果能够将录音文件转换为文字,就可以进一步实现全文搜索、关键词定位和内容整理。
HarmonyOS 7应用可以利用Core Speech Kit中的SpeechRecognizer能力,将符合要求的PCM音频数据传入语音识别引擎,获得对应的文字结果。
本篇以会议录音整理为例,重点介绍音频文件识别过程中的数据准备和接口调用。
首先,创建识别引擎并设置监听器:
import { speechRecognizer } from '@kit.CoreSpeechKit';
let engine:
speechRecognizer.SpeechRecognitionEngine;
async function initASR() {
let params:
speechRecognizer.CreateEngineParams = {
language: 'zh-CN',
online: 1,
extraParams: {
'locate': 'CN',
'recognizerMode': 'short'
}
};
engine =
await speechRecognizer.createEngine(params);
engine.setListener({
onStart(sessionId: string, message: string) {
console.info('开始识别录音文件');
},
onResult(
sessionId: string,
result: speechRecognizer.SpeechRecognitionResult
) {
console.info(
`识别结果:${JSON.stringify(result)}`
);
},
onComplete(sessionId: string, message: string) {
console.info('文件识别完成');
},
onError(
sessionId: string,
errorCode: number,
errorMessage: string
) {
console.error(
`识别错误:${errorCode}, ${errorMessage}`
);
}
});
}
接下来配置音频参数:
let sessionId = 'meeting_audio_001';
function startFileRecognition() {
let audioInfo: speechRecognizer.AudioInfo = {
audioType: 'pcm',
sampleRate: 16000,
soundChannel: 1,
sampleBit: 16
};
let params: speechRecognizer.StartParams = {
sessionId: sessionId,
audioInfo: audioInfo
};
engine.startListening(params);
}
这里需要特别强调,语音识别接口对音频数据格式有明确要求。示例采用16kHz采样率、单声道、16bit PCM格式。不能直接把MP3、AAC或者其他压缩音频文件的原始字节传给writeAudio,就期待识别引擎自动完成解码。
如果录音文件是MP3等压缩格式,需要先通过适当的音频解码流程,将数据转换成符合识别要求的PCM格式,再进行后续处理。
音频准备完成后,使用writeAudio接口传入音频流:
function writePcmData(
audioData: Uint8Array
) {
if (!engine) {
console.error('识别引擎未初始化');
return;
}
engine.writeAudio(
sessionId,
audioData
);
}
这里并不能将任意长度的音频数据一次性传入。Core Speech Kit的writeAudio接口当前要求每次传输的音频数据长度为640字节或1280字节,对应建议的20ms或40ms调用间隔。
因此,实际开发时需要将文件中的PCM数据切分成符合接口要求的数据块,并按照顺序进行传输。
function splitPcmData(
data: Uint8Array
): Uint8Array[] {
let chunks: Uint8Array[] = [];
let chunkSize = 640;
for (
let offset = 0;
offset + chunkSize <= data.length;
offset += chunkSize
) {
chunks.push(
data.slice(offset, offset + chunkSize)
);
}
return chunks;
}
这段代码演示了数据切片的基本思路。需要注意,实际文件处理还必须考虑最后一段不足640字节的数据,不能简单地将不完整的数据块直接写入接口。可以结合音频采集或解码缓冲区,在数据不足时暂存,等待后续数据拼接。
另外,文件读取和音频写入必须按照正确顺序执行:先创建引擎,再设置监听器,启动识别,最后写入音频数据。
Core Speech Kit支持短语音模式和长语音模式。短语音模式最长不超过60秒,长语音模式最长不超过8小时。会议录音等较长内容需要结合长语音模式进行设计,并关注文件读取、任务状态和资源释放。
测试时,建议分别准备不同长度的PCM文件,验证音频格式、分块大小、数据传输顺序以及识别结果。还要测试文件为空、音频损坏和录音中断等异常情况。
通过这种方式,应用可以把原本只能播放的录音内容转化为可检索的文本数据,为会议纪要、采访整理、课程笔记和语音档案管理提供基础能力。
相关推荐
0
0
0
0
0
0恒久
我还没有写个人简介......
帖子
提问
粉丝
从实时语音到连续文字:HarmonyOS 7语音流识别与数据分块实践
2026-11-11 15:57:49 发布彻底藏不住了!原生鸿蒙装机破 7400 万,日增 20 万,国产系统全面爆发
2026-07-20 16:06:57 发布



京公网安备:11010502051901号