转载请注明出处
项目代码https://github.com/zuoshu/android-voicesearch-opensource.git
调用google手机版语音识别云服务，3g网络下速度快，流量小，识别准，无弹出框。
由于项目需要用到语音识别，选用google的语音识别服务，现在一般的做法是将语音通过post发到http://www.google.com/speech-api/v1/recognize?lang=en-us，再从返回里面取识别结果。在wifi的情况下速度还可以接受，但是在3g的情况下速度很慢。和Android上的VoiceSearch比起来慢很多。看了下VoiceSearch的log,发现voicesearch连接的其实是www.google.com/m/voice-search。一般的做法最初是从chrome开源代码里面找到的，而VoiceSearch属于android平台，在google内部这两个产品分属两个不同的团队，猜测后台的语音识别服务其实实现了两套？总而言之，android/ios和chrome使用的语音识别是不一样的，并且android/ios的速度要快很多。
但是，VoiceSearch不开源，没办法，只能从反编译apk入手，有些地方反编译也没办法，过程比较费劲，直接上结果。
这个是使用www.google.com/speech-api/v1/recognize作为语音识别服务的结果，3g网络下用时2878ms
这个是使用www.google.com/m/voice-search作为语音识别服务的结果，3g网络下用时828ms
速度相差3倍左右，多次测试发现，后一种基本上会在2秒内返回结果，前一种长的时候会要10多秒。
VoiceSearch具体的工作原理如何？稍后上分析过程，这里直接上工作原理。
VoiceSearch采用protobuf作为数据传输协议。发送语音的过程使用protobuf包装数据，然后通过http或tcp发送。
协议大致包括Alternates,ClientParametersProto,ClientReportProto,GoogleSearchRequest,IntentApi,PartialResult,RecognitionContextProto,RecognitionResultSet,SpeechService,VoiceSearch
具体流程如下
1.建立session
客户端先手机手机上的一些信息，比如地区，系统等，然后生成一个SpeechService.CreateSessionRequest的协议包，通过post发送到www.google.com/m/voice-search，将返回的结果以SpeechService.CreateSessionResponse来解析，结果里面包含ip,port,stunid三个重要的信息。用这个ip和port建立socket连接，在识别结束之前，socket一直不关闭。用stunId生成一个StunPacket（这里用的不是protobuf）
private static byte[] createStunBindingRequest(String stunId)
throws UnsupportedEncodingException {
StunPacket packet = new StunPacket(
StunMessageType.STUN_BINDING_REQUEST);
StunAttribute stunAttribute = new StunAttribute(
StunAttributeType.STUN_ATTR_USERNAME);
stunAttribute.setData(new StunAttribute.Username(stunId));
packet.addAttribute(stunAttribute);
return packet.asByteArray();
}
将StunPacket发送给服务器，服务器会有一个返回。这时，session就建立了。
2.录音
录音编码这部分也有特殊处理。先通过AudioRecord录制原始数据
mAudioRecord = new AudioRecord(6, sampleRateInHz, 16, 2, Math.max( AudioRecord.getMinBufferSize(sampleRateInHz, 16, 2), bufferSizeInBytes));
packetSize为320。再通过AMR_NB压缩
3.发送数据
一个320byte的原始数据被压缩为32byte的AMR_NB数据，每448的AMR_NB数据发送一次，用448byte的AMR_NB数据生成一个SpeechService.MediaData，通过socket发送到服务器。
4.获取结果
建立连接后，发送语音数据的时候，服务器会不定时返回一个SpeechService.RecognizeAck数据包，不管就可以。录音结束时，发送一个空数据的SpeechService.MediaData数据包。服务器会返回一个SpeechService.RecognizeResponse数据包。识别结果都包含在里面。结束之后，客户端发送一个DestroySession的数据包关闭session。
5.其他参数
在建立session的时候，可以通过一个参数setEnablePartialResults来设置是否返回partial result，如果设置true，则可以一边说，一边有识别结果返回。
可以通过setLanguage来设置语言，"en-US"为英文，"zh-CN"为中文。
先放apk和协议，项目稍后放出，见附件apk_and_protos.rar，其中voice1.apk为使用速度快的语音识别，voice2.apk为使用速度慢的语音识别