logo
积分中心
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
头像 unlock 2026-11-11 15:57:01    发布
0 浏览 0 收藏


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。

©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