1. 从零上手 Android 智能语音开发一个新手项目的完整拆解语音交互早就不是什么新鲜事了但真正自己动手在 Android 上跑通一套「说话—识别—理解—回应」的闭环很多刚入门的开发者还是会卡在第一步。我最近带着几个刚接触移动开发的朋友做了一个小型的语音助手 Demo从环境搭建到离线识别、在线合成、再到意图匹配整个流程走了一遍踩了不少坑也积累了一些文档里不太会写的经验。这篇文章就把整个项目的设计思路、核心实现和排查技巧完整地摊开来讲适合有一定 Android 基础、想快速把语音能力集成到自己 App 里的开发者也适合完全没碰过语音模块、想先跑通一个 Demo 找找感觉的新手。这个项目的目标很明确做一个能听懂固定指令、能语音播报结果的轻量级助手。它不需要接入大模型也不需要云端语义理解核心就是语音识别ASR、语音合成TTS和简单的意图匹配三块。之所以选这个范围是因为新手最容易犯的错就是一上来就想做「全能助手」结果被各种 SDK 的鉴权、网络、权限问题拖垮。先把最小闭环跑通后面再扩展就顺理成章了。下面我会按照「整体设计—核心细节—实操实现—问题排查」的顺序来讲每一块都会说明为什么这么选、怎么落地、哪里容易翻车。文中涉及的具体包名、类名和参数都以通用实践为准你可以在自己的项目里直接对照调整。2. 项目整体设计与技术选型思路2.1 为什么先做「固定指令」而不是「自由对话」很多新手一上来就想做自由对话觉得那样才酷。但实际做下来你会发现自由对话涉及的东西太多了远场降噪、断句、语义理解、多轮上下文管理每一个都能单独写一篇文章。对于入门项目来说固定指令集是一个更聪明的起点。固定指令的好处在于识别结果只需要做关键词匹配不需要复杂的 NLP 模型测试用例可控回归方便性能瓶颈容易定位。比如你说「打开灯光」「查询天气」「播放音乐」识别文本出来之后直接做字符串包含判断就能触发对应动作。这样整个链路的变量就只剩「识别准不准」和「合成自不自然」排查起来轻松很多。我建议新手把指令集控制在 10 条以内每条指令准备 3 到 5 种说法。比如「打开灯光」可以对应「开灯」「把灯打开」「打开客厅灯」。这样既能测试识别的鲁棒性又不会让匹配逻辑变得复杂。2.2 离线识别与在线识别的取舍这是新手最容易纠结的地方。我的建议是先跑通在线识别再考虑离线。在线识别的优势是准确率高、接入简单、不需要额外模型文件。缺点是依赖网络有延迟隐私敏感场景不合适。离线识别的优势是响应快、不依赖网络但需要集成离线引擎模型文件动辄几十兆而且识别率在嘈杂环境下会明显下降。对于入门项目我通常建议先用系统自带的识别能力跑通流程。Android 本身提供了SpeechRecognizer这类接口可以直接调用设备上已安装的识别服务。等流程跑通了再根据实际需求决定要不要换成离线方案。这样你不会在项目初期就被模型集成的问题卡住。2.3 语音合成方案的选择语音合成这块系统自带的TextToSpeech是最省事的方案。它不需要额外依赖初始化之后直接调用speak()就能出声。缺点是音色比较固定不同设备上的表现差异较大有些设备甚至没有预装中文语音包。如果你对音色有要求可以考虑接入第三方合成服务但那就涉及到网络请求和鉴权复杂度会上升。我的建议是入门阶段先用系统 TTS把「识别—匹配—合成」的闭环跑通。等你能稳定运行之后再考虑替换合成引擎。这样你的项目始终处于「可运行」状态不会因为某个环节卡住而整体停滞。2.4 整体架构的简化设计这个 Demo 的架构可以非常简单三层就够了交互层一个 Activity 或 Fragment负责按钮点击、状态展示、权限请求。语音层封装识别和合成的调用对外暴露startListening()、speak()等方法。逻辑层接收识别文本做意图匹配返回对应的响应文本或动作。三层之间通过回调或简单的接口通信不需要引入复杂的架构组件。新手项目最重要的是「能跑起来」过度设计反而会增加理解成本。等你把基础流程跑顺了再考虑用 ViewModel、LiveData 或者协程来优化。3. 核心细节解析与实操要点3.1 权限申请别等到运行时才想起来语音识别需要录音权限这是最容易翻车的地方。很多新手在代码里写好了识别逻辑一运行就崩溃原因就是没申请RECORD_AUDIO权限。在 Android 6.0 之后录音权限属于危险权限必须在运行时动态申请。你需要在AndroidManifest.xml里声明uses-permission android:nameandroid.permission.RECORD_AUDIO / uses-permission android:nameandroid.permission.INTERNET /然后在代码里检查并请求权限。这里有个细节不要只在 onCreate 里请求一次。用户可能拒绝也可能在设置里手动关闭。每次启动识别之前都应该检查权限状态没有就请求拒绝了就给出提示。注意部分设备上即使你申请了录音权限如果其他 App 正在占用麦克风识别也会失败。这种情况需要捕获错误回调提示用户稍后重试。3.2 识别服务的初始化与生命周期管理SpeechRecognizer的创建必须在主线程而且它的生命周期需要和 Activity 或 Fragment 绑定。如果你在后台线程创建会直接抛异常。初始化的典型流程是先检查设备上是否有可用的识别服务然后创建SpeechRecognizer实例设置识别监听器。监听器里最重要的两个回调是onResults()和onError()。前者返回识别文本后者告诉你出了什么问题。这里有个经验识别结束后一定要调用destroy()。很多新手创建了SpeechRecognizer就不管了导致资源泄漏多次调用之后识别越来越慢甚至失效。正确的做法是在onDestroy()里销毁实例下次需要时重新创建。3.3 识别参数的调优SpeechRecognizer的Intent里可以设置一些参数影响识别行为。常用的有参数作用建议值EXTRA_LANGUAGE_MODEL语言模型LANGUAGE_MODEL_FREE_FORM适合自由说LANGUAGE_MODEL_WEB_SEARCH适合短指令EXTRA_LANGUAGE识别语言zh-CN指定中文EXTRA_PARTIAL_RESULTS是否返回中间结果需要实时反馈时设为 trueEXTRA_MAX_RESULTS返回结果数量1 到 3 即可太多没必要对于固定指令场景我建议用LANGUAGE_MODEL_FREE_FORM因为指令说法比较灵活自由模型更能覆盖多种表达。如果你做的是搜索类场景WEB_SEARCH会更合适。3.4 语音合成的初始化与语言设置TextToSpeech的初始化是异步的你需要实现OnInitListener在onInit()回调里判断初始化状态。只有状态为SUCCESS时才能调用speak()。语言设置是另一个坑。默认情况下TTS 可能使用设备当前语言但不一定是中文。你需要显式设置int result tts.setLanguage(Locale.CHINA); if (result TextToSpeech.LANG_MISSING_DATA || result TextToSpeech.LANG_NOT_SUPPORTED) { // 提示用户安装中文语音包 }如果设备没有中文语音包setLanguage会返回错误码。这时候你需要引导用户去系统设置里下载或者降级使用英文合成。3.5 意图匹配的简单实现识别文本出来之后怎么做匹配最简单的方式是关键词包含判断if (text.contains(开灯) || text.contains(打开灯光)) { return 已为你打开灯光; } else if (text.contains(天气)) { return 今天天气晴朗; }这种方式虽然粗糙但对于固定指令集足够用。你可以把指令和响应配置在一个 Map 里方便扩展。等指令多了之后再考虑用正则或者简单的分词匹配。实操心得识别结果里经常会有标点符号或者多余空格匹配之前先做一次trim()和标点过滤能明显提高命中率。4. 完整实操流程与核心环节实现4.1 项目结构搭建新建一个 Android 项目语言选 Java 或 Kotlin 都可以。我这边用 Kotlin 演示Java 写法类似。项目结构大概是MainActivity主界面包含一个按钮和一个文本展示区。SpeechManager封装识别和合成的工具类。IntentMatcher意图匹配逻辑。依赖方面不需要额外引入第三方库系统 API 就够了。如果你要用协程处理异步可以加上 Kotlin 协程依赖但这不是必须的。4.2 权限请求的完整代码在MainActivity的onCreate里检查权限private val requestPermissionCode 100 private fun checkAudioPermission(): Boolean { return if (ContextCompat.checkSelfPermission(this, Manifest.permission.RECORD_AUDIO) PackageManager.PERMISSION_GRANTED) { true } else { ActivityCompat.requestPermissions( this, arrayOf(Manifest.permission.RECORD_AUDIO), requestPermissionCode ) false } }然后在按钮点击时先判断权限有权限再启动识别。onRequestPermissionsResult里根据授权结果决定是否继续。4.3 识别模块的封装SpeechManager的核心方法class SpeechManager(private val context: Context) { private var speechRecognizer: SpeechRecognizer? null fun startListening(onResult: (String) - Unit, onError: (String) - Unit) { if (speechRecognizer null) { speechRecognizer SpeechRecognizer.createSpeechRecognizer(context) } val intent Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH).apply { putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL, RecognizerIntent.LANGUAGE_MODEL_FREE_FORM) putExtra(RecognizerIntent.EXTRA_LANGUAGE, zh-CN) putExtra(RecognizerIntent.EXTRA_PARTIAL_RESULTS, false) } speechRecognizer?.setRecognitionListener(object : RecognitionListener { override fun onResults(results: Bundle?) { val list results?.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION) val text list?.firstOrNull() ?: onResult(text) } override fun onError(error: Int) { onError(识别失败错误码$error) } // 其他回调方法留空即可 override fun onReadyForSpeech(params: Bundle?) {} override fun onBeginningOfSpeech() {} override fun onRmsChanged(rmsdB: Float) {} override fun onBufferReceived(buffer: ByteArray?) {} override fun onEndOfSpeech() {} override fun onPartialResults(partialResults: Bundle?) {} override fun onEvent(eventType: Int, params: Bundle?) {} }) speechRecognizer?.startListening(intent) } fun destroy() { speechRecognizer?.destroy() speechRecognizer null } }这段代码里onResults拿到的是识别候选列表通常取第一个就是最可能的结果。onError里的错误码可以对照官方文档排查常见的ERROR_NO_MATCH表示没识别到ERROR_RECOGNIZER_BUSY表示识别器忙。4.4 合成模块的封装TTS 的封装稍微麻烦一点因为初始化是异步的class TtsManager(context: Context) { private var tts: TextToSpeech? null private var isReady false init { tts TextToSpeech(context) { status - if (status TextToSpeech.SUCCESS) { val result tts?.setLanguage(Locale.CHINA) isReady result ! TextToSpeech.LANG_MISSING_DATA result ! TextToSpeech.LANG_NOT_SUPPORTED } } } fun speak(text: String) { if (isReady) { tts?.speak(text, TextToSpeech.QUEUE_FLUSH, null, null) } } fun shutdown() { tts?.stop() tts?.shutdown() } }QUEUE_FLUSH表示打断当前播放直接播新的。如果你希望排队播放可以用QUEUE_ADD。4.5 主流程串联在MainActivity里把识别、匹配、合成串起来private lateinit var speechManager: SpeechManager private lateinit var ttsManager: TtsManager override fun onCreate(savedInstanceState: Bundle?) { super.onCreate(savedInstanceState) setContentView(R.layout.activity_main) speechManager SpeechManager(this) ttsManager TtsManager(this) btnStart.setOnClickListener { if (checkAudioPermission()) { speechManager.startListening( onResult { text - val response IntentMatcher.match(text) tvResult.text 你说$text\n回应$response ttsManager.speak(response) }, onError { error - tvResult.text error } ) } } } override fun onDestroy() { speechManager.destroy() ttsManager.shutdown() super.onDestroy() }这样整个闭环就完成了点击按钮开始识别识别结果做匹配匹配结果用 TTS 播报出来。4.6 参数计算与性能考量识别和合成的延迟主要来自三个方面录音启动时间、网络往返时间在线识别、合成引擎初始化时间。实测下来系统识别从点击到出结果大概在 1 到 3 秒之间TTS 首次初始化可能需要 500 毫秒左右。如果你希望响应更快可以考虑提前初始化 TTS避免每次说话都重新创建识别时使用EXTRA_PARTIAL_RESULTS获取中间结果提前做匹配预判把常用响应文本缓存起来减少合成等待。注意不要在主线程做耗时操作。识别和合成虽然大部分是异步的但初始化过程如果放在主线程且设备性能较差可能会有明显卡顿。建议把 TTS 初始化放在 Application 启动时或者页面加载后立即执行。5. 常见问题与排查技巧实录5.1 识别没反应按钮点了没动静这是最常见的问题排查顺序如下权限是否授予检查checkSelfPermission的返回值确认录音权限已开。识别服务是否可用有些设备或模拟器没有预装识别服务SpeechRecognizer.isRecognitionAvailable()会返回 false。麦克风是否被占用其他 App 正在录音会导致识别失败捕获ERROR_RECOGNIZER_BUSY并提示用户。网络是否正常在线识别需要网络断网情况下会直接报错。5.2 识别结果不准经常识别成无关内容识别准确率受环境影响很大。你可以从这几个方面优化在安静环境下测试排除噪音干扰。把EXTRA_LANGUAGE明确设置为zh-CN避免中英文混识别。缩短指令长度固定指令比长句更容易识别准。如果设备支持开启EXTRA_PREFER_OFFLINE试试离线识别有时候反而更稳。5.3 TTS 不出声TTS 不出声的原因比较多按这个顺序排查现象可能原因解决方法完全没声音初始化未完成检查onInit回调状态中文读不出来缺少中文语音包引导用户下载或换英文测试声音很小媒体音量低检查设备媒体音量播报被截断调用了stop()检查是否有其他逻辑打断实操心得TTS 初始化失败时不要直接崩溃或静默给用户一个明确的提示比如「语音合成初始化失败请检查系统语音设置」。这样用户知道去哪里解决问题。5.4 多次识别后失效这个问题通常是因为SpeechRecognizer没有正确销毁。每次识别结束后如果你不销毁实例下一次调用可能会因为状态异常而失败。解决方案很简单在onResults或onError之后调用destroy()下次识别时重新创建。另一个可能的原因是识别服务本身有并发限制短时间内频繁调用会被限流。建议在两次识别之间加一个短暂的间隔或者等上一次识别完全结束后再启动下一次。5.5 常见错误码速查错误码含义处理建议ERROR_NO_MATCH没有匹配到结果提示用户重新说ERROR_RECOGNIZER_BUSY识别器忙稍后重试ERROR_INSUFFICIENT_PERMISSIONS权限不足检查录音权限ERROR_NETWORK网络错误检查网络连接ERROR_AUDIO录音错误检查麦克风是否被占用ERROR_CLIENT客户端错误检查调用方式5.6 兼容性避坑指南不同 Android 版本和设备对语音 API 的支持差异较大。我踩过的坑包括某些定制系统上SpeechRecognizer需要额外配置部分设备 TTS 引擎默认不是中文模拟器上识别服务经常不可用。建议在真机上测试至少覆盖两个不同品牌的设备。如果目标用户群体设备跨度大最好准备一个降级方案比如识别失败时允许用户手动输入。6. 后续扩展方向与个人经验这个 Demo 跑通之后你可以往几个方向扩展。一是接入更丰富的指令集把匹配逻辑从关键词升级到正则或简单的分词二是替换合成引擎尝试不同的音色三是加入语音唤醒让 App 在后台也能响应特定词四是把识别结果上传到自己的服务端做更复杂的处理。我个人在实际操作中的体会是语音开发最难的不是写代码而是处理各种边界情况。网络断了怎么办、权限被拒了怎么办、设备不支持怎么办、用户说了一半不说了怎么办。把这些情况都考虑到你的 App 才算真正可用。另外测试的时候一定要用真机模拟器的语音表现和真机差距很大很多问题只有在真机上才能暴露出来。最后分享一个小技巧如果你发现识别结果总是差一两个字可以在匹配之前做一个简单的同音字替换比如把「灯」和「登」统一处理。这个土办法在固定指令场景下意外地好用能明显提升命中率。 
长河君 · 2026/10/20 20:47:32 · 阅读 1.2k Android 智能语音开发入门：从零搭建语音识别与合成 Demo
1. 从零上手 Android 智能语音开发一个新手项目的完整拆解语音交互早就不是什么新鲜事了但真正自己动手在 Android 上跑通一套「说话—识别—理解—回应」的闭环很多刚入门的开发者还是会卡在第一步。我最近带着几个刚接触移动开发的朋友做了一个小型的语音助手 Demo从环境搭建到离线识别、在线合成、再到意图匹配整个流程走了一遍踩了不少坑也积累了一些文档里不太会写的经验。这篇文章就把整个项目的设计思路、核心实现和排查技巧完整地摊开来讲适合有一定 Android 基础、想快速把语音能力集成到自己 App 里的开发者也适合完全没碰过语音模块、想先跑通一个 Demo 找找感觉的新手。这个项目的目标很明确做一个能听懂固定指令、能语音播报结果的轻量级助手。它不需要接入大模型也不需要云端语义理解核心就是语音识别ASR、语音合成TTS和简单的意图匹配三块。之所以选这个范围是因为新手最容易犯的错就是一上来就想做「全能助手」结果被各种 SDK 的鉴权、网络、权限问题拖垮。先把最小闭环跑通后面再扩展就顺理成章了。下面我会按照「整体设计—核心细节—实操实现—问题排查」的顺序来讲每一块都会说明为什么这么选、怎么落地、哪里容易翻车。文中涉及的具体包名、类名和参数都以通用实践为准你可以在自己的项目里直接对照调整。2. 项目整体设计与技术选型思路2.1 为什么先做「固定指令」而不是「自由对话」很多新手一上来就想做自由对话觉得那样才酷。但实际做下来你会发现自由对话涉及的东西太多了远场降噪、断句、语义理解、多轮上下文管理每一个都能单独写一篇文章。对于入门项目来说固定指令集是一个更聪明的起点。固定指令的好处在于识别结果只需要做关键词匹配不需要复杂的 NLP 模型测试用例可控回归方便性能瓶颈容易定位。比如你说「打开灯光」「查询天气」「播放音乐」识别文本出来之后直接做字符串包含判断就能触发对应动作。这样整个链路的变量就只剩「识别准不准」和「合成自不自然」排查起来轻松很多。我建议新手把指令集控制在 10 条以内每条指令准备 3 到 5 种说法。比如「打开灯光」可以对应「开灯」「把灯打开」「打开客厅灯」。这样既能测试识别的鲁棒性又不会让匹配逻辑变得复杂。2.2 离线识别与在线识别的取舍这是新手最容易纠结的地方。我的建议是先跑通在线识别再考虑离线。在线识别的优势是准确率高、接入简单、不需要额外模型文件。缺点是依赖网络有延迟隐私敏感场景不合适。离线识别的优势是响应快、不依赖网络但需要集成离线引擎模型文件动辄几十兆而且识别率在嘈杂环境下会明显下降。对于入门项目我通常建议先用系统自带的识别能力跑通流程。Android 本身提供了SpeechRecognizer这类接口可以直接调用设备上已安装的识别服务。等流程跑通了再根据实际需求决定要不要换成离线方案。这样你不会在项目初期就被模型集成的问题卡住。2.3 语音合成方案的选择语音合成这块系统自带的TextToSpeech是最省事的方案。它不需要额外依赖初始化之后直接调用speak()就能出声。缺点是音色比较固定不同设备上的表现差异较大有些设备甚至没有预装中文语音包。如果你对音色有要求可以考虑接入第三方合成服务但那就涉及到网络请求和鉴权复杂度会上升。我的建议是入门阶段先用系统 TTS把「识别—匹配—合成」的闭环跑通。等你能稳定运行之后再考虑替换合成引擎。这样你的项目始终处于「可运行」状态不会因为某个环节卡住而整体停滞。2.4 整体架构的简化设计这个 Demo 的架构可以非常简单三层就够了交互层一个 Activity 或 Fragment负责按钮点击、状态展示、权限请求。语音层封装识别和合成的调用对外暴露startListening()、speak()等方法。逻辑层接收识别文本做意图匹配返回对应的响应文本或动作。三层之间通过回调或简单的接口通信不需要引入复杂的架构组件。新手项目最重要的是「能跑起来」过度设计反而会增加理解成本。等你把基础流程跑顺了再考虑用 ViewModel、LiveData 或者协程来优化。3. 核心细节解析与实操要点3.1 权限申请别等到运行时才想起来语音识别需要录音权限这是最容易翻车的地方。很多新手在代码里写好了识别逻辑一运行就崩溃原因就是没申请RECORD_AUDIO权限。在 Android 6.0 之后录音权限属于危险权限必须在运行时动态申请。你需要在AndroidManifest.xml里声明uses-permission android:nameandroid.permission.RECORD_AUDIO / uses-permission android:nameandroid.permission.INTERNET /然后在代码里检查并请求权限。这里有个细节不要只在 onCreate 里请求一次。用户可能拒绝也可能在设置里手动关闭。每次启动识别之前都应该检查权限状态没有就请求拒绝了就给出提示。注意部分设备上即使你申请了录音权限如果其他 App 正在占用麦克风识别也会失败。这种情况需要捕获错误回调提示用户稍后重试。3.2 识别服务的初始化与生命周期管理SpeechRecognizer的创建必须在主线程而且它的生命周期需要和 Activity 或 Fragment 绑定。如果你在后台线程创建会直接抛异常。初始化的典型流程是先检查设备上是否有可用的识别服务然后创建SpeechRecognizer实例设置识别监听器。监听器里最重要的两个回调是onResults()和onError()。前者返回识别文本后者告诉你出了什么问题。这里有个经验识别结束后一定要调用destroy()。很多新手创建了SpeechRecognizer就不管了导致资源泄漏多次调用之后识别越来越慢甚至失效。正确的做法是在onDestroy()里销毁实例下次需要时重新创建。3.3 识别参数的调优SpeechRecognizer的Intent里可以设置一些参数影响识别行为。常用的有参数作用建议值EXTRA_LANGUAGE_MODEL语言模型LANGUAGE_MODEL_FREE_FORM适合自由说LANGUAGE_MODEL_WEB_SEARCH适合短指令EXTRA_LANGUAGE识别语言zh-CN指定中文EXTRA_PARTIAL_RESULTS是否返回中间结果需要实时反馈时设为 trueEXTRA_MAX_RESULTS返回结果数量1 到 3 即可太多没必要对于固定指令场景我建议用LANGUAGE_MODEL_FREE_FORM因为指令说法比较灵活自由模型更能覆盖多种表达。如果你做的是搜索类场景WEB_SEARCH会更合适。3.4 语音合成的初始化与语言设置TextToSpeech的初始化是异步的你需要实现OnInitListener在onInit()回调里判断初始化状态。只有状态为SUCCESS时才能调用speak()。语言设置是另一个坑。默认情况下TTS 可能使用设备当前语言但不一定是中文。你需要显式设置int result tts.setLanguage(Locale.CHINA); if (result TextToSpeech.LANG_MISSING_DATA || result TextToSpeech.LANG_NOT_SUPPORTED) { // 提示用户安装中文语音包 }如果设备没有中文语音包setLanguage会返回错误码。这时候你需要引导用户去系统设置里下载或者降级使用英文合成。3.5 意图匹配的简单实现识别文本出来之后怎么做匹配最简单的方式是关键词包含判断if (text.contains(开灯) || text.contains(打开灯光)) { return 已为你打开灯光; } else if (text.contains(天气)) { return 今天天气晴朗; }这种方式虽然粗糙但对于固定指令集足够用。你可以把指令和响应配置在一个 Map 里方便扩展。等指令多了之后再考虑用正则或者简单的分词匹配。实操心得识别结果里经常会有标点符号或者多余空格匹配之前先做一次trim()和标点过滤能明显提高命中率。4. 完整实操流程与核心环节实现4.1 项目结构搭建新建一个 Android 项目语言选 Java 或 Kotlin 都可以。我这边用 Kotlin 演示Java 写法类似。项目结构大概是MainActivity主界面包含一个按钮和一个文本展示区。SpeechManager封装识别和合成的工具类。IntentMatcher意图匹配逻辑。依赖方面不需要额外引入第三方库系统 API 就够了。如果你要用协程处理异步可以加上 Kotlin 协程依赖但这不是必须的。4.2 权限请求的完整代码在MainActivity的onCreate里检查权限private val requestPermissionCode 100 private fun checkAudioPermission(): Boolean { return if (ContextCompat.checkSelfPermission(this, Manifest.permission.RECORD_AUDIO) PackageManager.PERMISSION_GRANTED) { true } else { ActivityCompat.requestPermissions( this, arrayOf(Manifest.permission.RECORD_AUDIO), requestPermissionCode ) false } }然后在按钮点击时先判断权限有权限再启动识别。onRequestPermissionsResult里根据授权结果决定是否继续。4.3 识别模块的封装SpeechManager的核心方法class SpeechManager(private val context: Context) { private var speechRecognizer: SpeechRecognizer? null fun startListening(onResult: (String) - Unit, onError: (String) - Unit) { if (speechRecognizer null) { speechRecognizer SpeechRecognizer.createSpeechRecognizer(context) } val intent Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH).apply { putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL, RecognizerIntent.LANGUAGE_MODEL_FREE_FORM) putExtra(RecognizerIntent.EXTRA_LANGUAGE, zh-CN) putExtra(RecognizerIntent.EXTRA_PARTIAL_RESULTS, false) } speechRecognizer?.setRecognitionListener(object : RecognitionListener { override fun onResults(results: Bundle?) { val list results?.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION) val text list?.firstOrNull() ?: onResult(text) } override fun onError(error: Int) { onError(识别失败错误码$error) } // 其他回调方法留空即可 override fun onReadyForSpeech(params: Bundle?) {} override fun onBeginningOfSpeech() {} override fun onRmsChanged(rmsdB: Float) {} override fun onBufferReceived(buffer: ByteArray?) {} override fun onEndOfSpeech() {} override fun onPartialResults(partialResults: Bundle?) {} override fun onEvent(eventType: Int, params: Bundle?) {} }) speechRecognizer?.startListening(intent) } fun destroy() { speechRecognizer?.destroy() speechRecognizer null } }这段代码里onResults拿到的是识别候选列表通常取第一个就是最可能的结果。onError里的错误码可以对照官方文档排查常见的ERROR_NO_MATCH表示没识别到ERROR_RECOGNIZER_BUSY表示识别器忙。4.4 合成模块的封装TTS 的封装稍微麻烦一点因为初始化是异步的class TtsManager(context: Context) { private var tts: TextToSpeech? null private var isReady false init { tts TextToSpeech(context) { status - if (status TextToSpeech.SUCCESS) { val result tts?.setLanguage(Locale.CHINA) isReady result ! TextToSpeech.LANG_MISSING_DATA result ! TextToSpeech.LANG_NOT_SUPPORTED } } } fun speak(text: String) { if (isReady) { tts?.speak(text, TextToSpeech.QUEUE_FLUSH, null, null) } } fun shutdown() { tts?.stop() tts?.shutdown() } }QUEUE_FLUSH表示打断当前播放直接播新的。如果你希望排队播放可以用QUEUE_ADD。4.5 主流程串联在MainActivity里把识别、匹配、合成串起来private lateinit var speechManager: SpeechManager private lateinit var ttsManager: TtsManager override fun onCreate(savedInstanceState: Bundle?) { super.onCreate(savedInstanceState) setContentView(R.layout.activity_main) speechManager SpeechManager(this) ttsManager TtsManager(this) btnStart.setOnClickListener { if (checkAudioPermission()) { speechManager.startListening( onResult { text - val response IntentMatcher.match(text) tvResult.text 你说$text\n回应$response ttsManager.speak(response) }, onError { error - tvResult.text error } ) } } } override fun onDestroy() { speechManager.destroy() ttsManager.shutdown() super.onDestroy() }这样整个闭环就完成了点击按钮开始识别识别结果做匹配匹配结果用 TTS 播报出来。4.6 参数计算与性能考量识别和合成的延迟主要来自三个方面录音启动时间、网络往返时间在线识别、合成引擎初始化时间。实测下来系统识别从点击到出结果大概在 1 到 3 秒之间TTS 首次初始化可能需要 500 毫秒左右。如果你希望响应更快可以考虑提前初始化 TTS避免每次说话都重新创建识别时使用EXTRA_PARTIAL_RESULTS获取中间结果提前做匹配预判把常用响应文本缓存起来减少合成等待。注意不要在主线程做耗时操作。识别和合成虽然大部分是异步的但初始化过程如果放在主线程且设备性能较差可能会有明显卡顿。建议把 TTS 初始化放在 Application 启动时或者页面加载后立即执行。5. 常见问题与排查技巧实录5.1 识别没反应按钮点了没动静这是最常见的问题排查顺序如下权限是否授予检查checkSelfPermission的返回值确认录音权限已开。识别服务是否可用有些设备或模拟器没有预装识别服务SpeechRecognizer.isRecognitionAvailable()会返回 false。麦克风是否被占用其他 App 正在录音会导致识别失败捕获ERROR_RECOGNIZER_BUSY并提示用户。网络是否正常在线识别需要网络断网情况下会直接报错。5.2 识别结果不准经常识别成无关内容识别准确率受环境影响很大。你可以从这几个方面优化在安静环境下测试排除噪音干扰。把EXTRA_LANGUAGE明确设置为zh-CN避免中英文混识别。缩短指令长度固定指令比长句更容易识别准。如果设备支持开启EXTRA_PREFER_OFFLINE试试离线识别有时候反而更稳。5.3 TTS 不出声TTS 不出声的原因比较多按这个顺序排查现象可能原因解决方法完全没声音初始化未完成检查onInit回调状态中文读不出来缺少中文语音包引导用户下载或换英文测试声音很小媒体音量低检查设备媒体音量播报被截断调用了stop()检查是否有其他逻辑打断实操心得TTS 初始化失败时不要直接崩溃或静默给用户一个明确的提示比如「语音合成初始化失败请检查系统语音设置」。这样用户知道去哪里解决问题。5.4 多次识别后失效这个问题通常是因为SpeechRecognizer没有正确销毁。每次识别结束后如果你不销毁实例下一次调用可能会因为状态异常而失败。解决方案很简单在onResults或onError之后调用destroy()下次识别时重新创建。另一个可能的原因是识别服务本身有并发限制短时间内频繁调用会被限流。建议在两次识别之间加一个短暂的间隔或者等上一次识别完全结束后再启动下一次。5.5 常见错误码速查错误码含义处理建议ERROR_NO_MATCH没有匹配到结果提示用户重新说ERROR_RECOGNIZER_BUSY识别器忙稍后重试ERROR_INSUFFICIENT_PERMISSIONS权限不足检查录音权限ERROR_NETWORK网络错误检查网络连接ERROR_AUDIO录音错误检查麦克风是否被占用ERROR_CLIENT客户端错误检查调用方式5.6 兼容性避坑指南不同 Android 版本和设备对语音 API 的支持差异较大。我踩过的坑包括某些定制系统上SpeechRecognizer需要额外配置部分设备 TTS 引擎默认不是中文模拟器上识别服务经常不可用。建议在真机上测试至少覆盖两个不同品牌的设备。如果目标用户群体设备跨度大最好准备一个降级方案比如识别失败时允许用户手动输入。6. 后续扩展方向与个人经验这个 Demo 跑通之后你可以往几个方向扩展。一是接入更丰富的指令集把匹配逻辑从关键词升级到正则或简单的分词二是替换合成引擎尝试不同的音色三是加入语音唤醒让 App 在后台也能响应特定词四是把识别结果上传到自己的服务端做更复杂的处理。我个人在实际操作中的体会是语音开发最难的不是写代码而是处理各种边界情况。网络断了怎么办、权限被拒了怎么办、设备不支持怎么办、用户说了一半不说了怎么办。把这些情况都考虑到你的 App 才算真正可用。另外测试的时候一定要用真机模拟器的语音表现和真机差距很大很多问题只有在真机上才能暴露出来。最后分享一个小技巧如果你发现识别结果总是差一两个字可以在匹配之前做一个简单的同音字替换比如把「灯」和「登」统一处理。这个土办法在固定指令场景下意外地好用能明显提升命中率。