HarmonyOS 鸿蒙Next原生智能之语音识别实战

HarmonyOS 原生智能之语音识别实战

背景

公司很多业务场景使用到了语音识别功能，当时我们的语音团队自研了语音识别模型，方案是云端模型加端侧SDK交互，端侧负责做语音采集、VAD、opus编码，实时传输给云端，云端识别后返回识别结果。这些业务场景在适配鸿蒙的过程发现HarmonyOS 原生智能中提供了本地语音识别SDK，动手封装一波。

场景介绍

原生语音识别能力支持两种模式：

• 短语音模式（不超过60s）
• 长语音模式（不超过8h）

API接口介绍

1. 引擎初始化

let asrEngine: speechRecognizer.SpeechRecognitionEngine;
// 创建引擎，通过callback形式返回
// 设置创建引擎参数
let extraParam: Record<string, Object> = {"locate": "CN", "recognizerMode": "short"};
let initParamsInfo: speechRecognizer.CreateEngineParams = {
  language: 'zh-CN',
  online: 1,
  extraParams: extraParam
};
// 调用createEngine方法
speechRecognizer.createEngine(initParamsInfo, (err: BusinessError, speechRecognitionEngine: speechRecognizer.SpeechRecognitionEngine) => {
  if (!err) {
    console.info('Succeeded in creating engine.');
    // 接收创建引擎的实例
    asrEngine = speechRecognitionEngine;
  } else {
    // 无法创建引擎时返回错误码1002200008，原因：引擎正在销毁中
    console.error(`Failed to create engine. Code: ${err.code}, message: ${err.message}.`);
  }
});

主要是需要构建引擎参数speechRecognizer.CreateEngineParams：

• language：语言
• online：模式，1为离线，目前只支持离线引擎
• extraParams：区域信息等
  • locate：区域信息，可选，不设置时默认为“CN”，当前仅支持“CN”
  • recognizerMode：识别模式，包含短语音short与场语音long 回调中可以查看错误信息：

1. 无法创建引擎时返回错误码1002200001，原因：语种不支持、模式不支持、初始化超时、资源不存在等导致创建引擎失败
2. 无法创建引擎时返回错误码1002200006，原因：引擎正在忙碌中，一般多个应用同时调用语音识别引擎时触发
3. 无法创建引擎时返回错误码1002200008，原因：引擎正在销毁中

2、设置RecognitionListener回调

回调主要处理识别过程中的事件，最主要的就是onResult处理识别内容，不同的对话对应不同的sessionId：

// 创建回调对象
let setListener: speechRecognizer.RecognitionListener = {
  // 开始识别成功回调
  onStart(sessionId: string, eventMessage: string) {
    
  },
  // 事件回调
  onEvent(sessionId: string, eventCode: number, eventMessage: string) {
    
  },
  // 识别结果回调，包括中间结果和最终结果
  onResult(sessionId: string, result: speechRecognizer.SpeechRecognitionResult) {
    
  },
  // 识别完成回调
  onComplete(sessionId: string, eventMessage: string) {
    
  },
  // 错误回调，错误码通过本方法返回,如：返回错误码1002200006，识别引擎正忙，引擎正在识别中
  onError(sessionId: string, errorCode: number, errorMessage: string) {
    
  }
}
// 设置回调
asrEngine.setListener(setListener);

3、开始识别

let audioParam: speechRecognizer.AudioInfo = {audioType: 'pcm', sampleRate: 16000, soundChannel: 1, sampleBit: 16};
let extraParam: Record<string, Object> = {"vadBegin": 2000, "vadEnd": 3000, "maxAudioDuration": 40000};
let recognizerParams: speechRecognizer.StartParams = {
  sessionId: sessionId,
  audioInfo: audioParam,
  extraParams: extraParam
};
// 调用开始识别方法
asrEngine.startListening(recognizerParams);

主要是设置开始识别的相关参数：

• sessionId：会话id，与onResult回调中的sessionId要对应
• audioInfo：音频配置信息，可选
  • audioType：目前只支持PCM，如果要识别MP3文件等需要解码后再传给引擎
  • sampleRate：音频的采样率，当前仅支持16000采样率
  • sampleBit：音频返回的采样位数，当前仅支持16位
  • soundChannel：音频返回的通道数信息，当前仅支持通道1
  • extraParams：音频的压缩率，pcm格式音频默认为0
• extraParams：额外配置信息，主要包含：
  • recognitionMode：实时语音识别模式（不传时默认为1）
    • 0：实时录音识别（需应用开启录音权限：ohos.permission.MICROPHONE），若需结束录音，则调用finish方法
    • 1：实时音频转文字识别，开启此模式时需要额外调用writeAudio方法，传入待识别音频流；
  • vadBegin：Voice Activity Detection(VAD)前端点设置，参数范围是[500,10000]，不传参时默认为10000ms
  • vadEnd：Voice Activity Detection(VAD)后端点设置。参数范围是[500,10000]，不传参时默认为800ms。
  • maxAudioDuration：最大支持音频时长
    • 短语音模式支持范围[20000-60000]ms，不传参时默认20000ms。
    • 长语音模式支持范围[20000 - 8 * 60 * 60 * 1000]ms。

VAD作用主要是语音活动检测，对静音数据不进行识别

4、传入音频流

asrEngine.writeAudio(sessionId, uint8Array);

向引擎写入音频数据，可以从麦克风或者音频文件中读取音频流。 注意：音频流长度仅支持640或1280。

5、其他接口

• listLanguages：查询语音识别服务支持的语种信息
• finish：结束识别
• 取消识别：cancel
• shutdown：释放识别引起资源

最佳实践

实时识别的场景需要从麦克风实时读取音频，写入到asrEngine，在onResult回调中获取识别结果。 配置音频采集参数并创建AudioCapturer实例：

import { audio } from '@kit.AudioKit';

let audioStreamInfo: audio.AudioStreamInfo = {
  samplingRate: audio.AudioSamplingRate.SAMPLE_RATE_16000, // 采样率
  channels: audio.AudioChannel.CHANNEL_1, // 通道
  sampleFormat: audio.AudioSampleFormat.SAMPLE_FORMAT_S16LE, // 采样格式
  encodingType: audio.AudioEncodingType.ENCODING_TYPE_RAW // 编码格式
};

let audioCapturerInfo: audio.AudioCapturerInfo = {
  source: audio.SourceType.SOURCE_TYPE_MIC,
  capturerFlags: 0
};

let audioCapturerOptions: audio.AudioCapturerOptions = {
  streamInfo: audioStreamInfo,
  capturerInfo: audioCapturerInfo
};

audio.createAudioCapturer(audioCapturerOptions, (err, data) => {
  if (err) {
    console.error(`Invoke createAudioCapturer failed, code is ${err.code}, message is ${err.message}`);
  } else {
    console.info('Invoke createAudioCapturer succeeded.');
    let audioCapturer = data;
  }
});

这里注意采样率和声道以及采样位数要符合ASR引擎要求：16k采样、单声道、16位采样位数。 接着调用on(‘readData’)方法，订阅监听音频数据读入回调：

import { BusinessError } from '@kit.BasicServicesKit';
import { fileIo } from '@kit.CoreFileKit';

let bufferSize: number = 0;
class Options {
  offset?: number;
  length?: number;
}

let readDataCallback = (buffer: ArrayBuffer) => {
  //将buffer写入asr引擎
  asrEngine.writeAudio(sessionId, new Uint8Array(buffer));
}
audioCapturer.on('readData', readDataCallback);

这里注意写入buffer的大小显示，ASR只支持640或1280。

总结

本文介绍了 HarmonyOS 官方提供的语音识别能力，详解介绍了ASR引擎接口，最后基于麦克风采集数据实现了实时麦克风语音识别功能。