在会议记录、课程学习、采访录音和知识管理等场景中,用户经常需要处理几十分钟甚至几个小时的语音内容。如果每次只能识别很短的一段音频,用户就需要反复启动识别任务,操作成本比较高。
Core Speech Kit的SpeechRecognizer支持短语音和长语音两种识别模式。其中,短语音模式支持不超过60秒的音频,长语音模式支持不超过8小时的音频。这使得开发者可以根据实际业务需求设计不同的语音记录方案。
本篇以会议记录应用为例,实现长语音识别的基础配置,并讨论如何对识别结果进行分段管理。
首先,在创建引擎时将recognizerMode设置为long:
import { speechRecognizer } from '@kit.CoreSpeechKit';
let longASREngine:
speechRecognizer.SpeechRecognitionEngine;
async function initLongASR() {
let extraParams: Record<string, Object> = {
'locate': 'CN',
'recognizerMode': 'long'
};
let params:
speechRecognizer.CreateEngineParams = {
language: 'zh-CN',
online: 1,
extraParams: extraParams
};
longASREngine =
await speechRecognizer.createEngine(params);
longASREngine.setListener({
onStart(sessionId: string, message: string) {
console.info('长语音识别启动');
},
onResult(
sessionId: string,
result: speechRecognizer.SpeechRecognitionResult
) {
console.info(
`收到识别结果:${JSON.stringify(result)}`
);
},
onComplete(sessionId: string, message: string) {
console.info('长语音识别结束');
},
onError(
sessionId: string,
errorCode: number,
errorMessage: string
) {
console.error(
`识别异常:${errorCode}, ${errorMessage}`
);
}
});
}这里的recognizerMode用于选择识别模式。开发者需要在创建引擎时根据业务需求配置,不能将短语音模式直接理解为可以无限次连续启动的长语音模式。
接下来设置识别参数:
let meetingSessionId = 'meeting_20261111';
function startMeetingRecognition() {
let audioInfo: speechRecognizer.AudioInfo = {
audioType: 'pcm',
sampleRate: 16000,
soundChannel: 1,
sampleBit: 16
};
let params: speechRecognizer.StartParams = {
sessionId: meetingSessionId,
audioInfo: audioInfo
};
longASREngine.startListening(params);
}完成基础识别配置后,接下来需要解决一个实际问题:如何管理长时间识别产生的文本?
如果只是将所有识别结果不断拼接到一个字符串中,虽然能够保存内容,但用户后续查看时会比较困难。例如,一场两小时的会议可能涉及多个议题,用户希望快速找到某个讨论环节,就需要对识别结果进行分段整理。
可以在应用业务层定义一个简单的数据结构:
interface TranscriptSegment {
id: string;
text: string;
createTime: number;
duration: number;
}
let transcriptList: TranscriptSegment[] = [];
function saveTranscript(
text: string,
duration: number
) {
let segment: TranscriptSegment = {
id: `segment_${Date.now()}`,
text: text,
createTime: Date.now(),
duration: duration
};
transcriptList.push(segment);
}在识别结果回调中,开发者可以根据接口实际返回的结果结构,提取文本内容并保存到分段列表中。
需要注意的是,不能简单地认为每次onResult回调都对应一段新的完整文本。语音识别可能会返回中间结果和最终结果,具体结果类型需要根据SpeechRecognitionResult中的字段进行判断。对于中间结果,适合用于实时更新界面;对于最终结果,再进行正式保存,避免重复记录。
长语音任务还需要做好异常恢复设计。例如,设备资源不足、录音中断、应用退出或者用户主动停止任务,都可能导致识别流程提前结束。
建议将整个会议记录过程设计成独立任务,保存任务ID、开始时间、识别状态和已完成的文本内容。这样即使某个环节出现异常,也能尽可能保留已经获得的识别结果。
测试时,可以使用10分钟、30分钟和更长时间的音频进行验证,重点观察识别任务持续时间、文本结果完整性、分段保存逻辑以及异常情况下的数据保留情况。
通过长语音识别能力,开发者可以将Core Speech Kit应用于会议纪要、课程记录、访谈整理和长时间语音档案管理等场景。真正有价值的功能并不只是把声音转换成文字,而是让这些文字能够被保存、查找和再次利用。
相关推荐
0
0
0
0
写不完的需求
0
0unlock
我还没有写个人简介......
帖子
提问
粉丝
让长语音记录更容易整理:HarmonyOS 7长语音识别与内容分段实践
2026-11-11 15:57:01 发布让语音播报更符合真实交互:HarmonyOS 7 TTS语速、音量与播报队列优化
2026-11-11 15:56:05 发布


京公网安备:11010502051901号