logo
积分中心
把录音文件变成可搜索的文字:HarmonyOS 7 PCM音频文件识别实践
头像 恒久 2026-11-11 16:12:37    发布
28 浏览 4 收藏

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。

©本站发布的所有内容,包括但不限于文字、图片、音频、视频、图表、标志、标识、广告、商标、商号、域名、软件、程序等,除特别标明外,均来源于网络或用户投稿,版权归原作者或原出处所有。我们致力于保护原作者版权,若涉及版权问题,请及时联系我们进行处理。
分类
HarmonyOS
地址:北京市朝阳区北三环东路三元桥曙光西里甲1号第三置业A座1508室 电话:13391790444或(010)62178877
版权所有:电脑商情信息服务集团 北京赢邦策略咨询有限责任公司
声明:本媒体部分图片、文章来源于网络,版权归原作者所有,我司致力于保护作者版权,如有侵权,请与我司联系删除

京ICP备:2022009079号-2

京公网安备:11010502051901号

ICP证:京B2-20230255