【iOS开发】---- 语音识别

        最近iOS项目中需要用到语音识别技术（也被称为自动语音识别，英语：Automatic Speech Recognition, ASR）。去google搜索了一下，发现语音识别做的不错的有谷歌，微软和科大讯飞。但是微软的语音识别只能在window平台，科大讯飞的语音识别现在主要是中文和英文，而谷歌的语音识别是可以支持多国语言的，考虑到项目以后可能会有多种语言，所以我选择用谷歌的语音识别。
        这里有一篇文章，比较详细的对比了三种语音识别：Google，微软，科大讯飞的语音识别引擎对比。
        语音识别的流程包括两个步骤：1.语音录入; 2.语音识别.

语音录入

        

        语音录入的方法我使用了两种：

1.参照官方文档例子SpeakHere（使用了OC,C++混编，后来发现有些OC方法，在iOS 7中已经不建议使用了）

2.使用AVAudioRecorder来录音（建议使用第二种方法）。

        注意：从查得的资料来看，使用谷歌语音搜索的音频编码暂时可用的有flac,speex,wav三种。网上说flac在iOS上获得比较复杂，speex暂不清楚，wav是可以得到的。获取wav编码格式的设置方式如下：

#pragma mark - 
#pragma mark 录音设置

- (NSString *) audioRecordingPath
{
    return [NSTemporaryDirectory() stringByAppendingFormat:@"voice.wav"];
}

- (NSDictionary *) audioRecordingSettings{
    NSDictionary *result = nil;
    /* Let's prepare the audio recorder options in the dictionary.
     Later we will use this dictionary to instantiate an audio
     recorder of type AVAudioRecorder */
    NSMutableDictionary *settings = [[NSMutableDictionary alloc] init];
    
    [settings setValue:[NSNumber numberWithInteger:kAudioFormatLinearPCM]
                forKey:AVFormatIDKey];
    
    [settings setValue:[NSNumber numberWithFloat:16000]
                forKey:AVSampleRateKey];
    
    [settings setValue:[NSNumber numberWithInteger:1]
                forKey:AVNumberOfChannelsKey];
    
    [settings setValue:[NSNumber numberWithInteger:AVAudioQualityLow]
                forKey:AVEncoderAudioQualityKey];
    
    result = [NSDictionary dictionaryWithDictionary:settings];
    return result;
}

        录音完成之后，将音频文件保存，然后进行语音识别。

语音识别

• 基本流程：

一、从音频输入设备获取原始数据。

二、对原始数据进行包装、编码。

三、将编码后的音频POST至接口地址。

四、分析处理接口返回的JSON并得出结果。

• 请求接口

地址：http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1

xjerr

错误标准

client

客户端类型

lang

待识别语言类型，en-US是英文，中文为zh-CN（其余语言代码参考：http://msdn.microsoft.com/en-us/library/ms533052(v=vs.85).aspx）

maxresults

最大返回识别结果数量，多个结果在hypotheses列表中保存

请求方式：HTTP POST

头部信息：Content-Type: audio/x-flac; rate=16000   （注：Content-Type根据所使用的编码格式不同而不同，详见文章底部。rate为音频采样率。）

请求数据：编码后的音频数据

• 音频编码格式

FLAC或WAV或SPEEX

        iOS语音识别请求实现代码：

- (void)beginRecognition
{
    NSURL *url = [NSURL URLWithString:@"http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=en"];
    ASIFormDataRequest *request = [[ASIFormDataRequest alloc] initWithURL:url];
    [request setRequestMethod:@"POST"];

    NSString *filePath_voice = [self audioRecordingPath];
    [request appendPostDataFromFile:filePath_voice];
    [request addRequestHeader:@"Content-Type" value:@"audio/L16; rate=16000"];
    [request setDidFailSelector:@selector(recognitionFailed:)];
    [request setDidFinishSelector:@selector(recognitionFinished:)];
    request.delegate=self;
    [request startAsynchronous];
}

        返回结果：

{
    "status":0,//返回状态
    "id":"",
    "hypotheses"://结果列表
    [
     {
         "utterance":"hello", //语音所转换的文字
         "confidence":0.8394497 //识别信心度
     }
     ]
}

        因为项目中语音是用来做搜索用，基本输入几个词汇就行，不需要大篇幅如短信一般。所以，我希望能在我说完话后，自动停止录音。这样，我们需要自动识别什么时候录入完毕了。

自动识别语音录入完毕

        

        基本流程：

• 录音开始，添加一个定时器，不停地检测话筒是否有接收到声音；
• 一旦检测到有声音，说明开始有说话（期间定时器仍然在检测）；
• 再次检测到没有声音，说明录入完毕，然后停止定时器刷新，停止录音。

        定时器检测实现方法以及相关注释：

-(void)refresh:(id)sender
{
    //发送updateMeters消息来刷新平均和峰值功率
    [audioRecorder updateMeters];
    
    //此计数是以对数刻度计量的，-160表示完全安静，0表示最大输入值。
    //为方便，我们将其转换为0-1,0代表完全安静，1代表最大音量。
    float peakPowerForChannel = pow(10, 0.05*[audioRecorder peakPowerForChannel:0]);
    float averagePowerForChannel = pow(10, 0.05*[audioRecorder averagePowerForChannel:0]);
    
    NSLog(@"Average input: %f Peak input: %f", peakPowerForChannel,averagePowerForChannel);
    
    lowPassResults = ALPHA * peakPowerForChannel + (1.0 - ALPHA) * lowPassResults;
    averagePassResults = ALPHA * averagePowerForChannel + (1.0 - ALPHA) * averagePassResults;
    
    indicateHigh.alpha = averagePassResults;
    
    if (lowPassResults > 0.55f)
    {//此时mic接收到震动
        blowDetected = YES;
    }
    else
    {
        if (blowDetected)
        {
            blowDetected = NO;
            [self stopRecord];
            NSLog(@"录音完成");
        }
    }
}

        噪声/声音是由低频声音组成的。我们将使用low pass filter（低频滤波） 来降低来自麦克的高频声音；当滤波信号的电平等级突然增大时，我们就知道有人向麦克说话了。

        blowDetected是一个bool值，因为一开始录音和完成录音都是电频等级较低的时候，所以需要一个开关来区分，否则录音没刚始就结束了。

        indicateHigh是个view，时刻改变透明度以告诉用户有人在说话，你也可以用其他方式来指示。

        lowPassResults通过低频滤波算法得到，有兴趣的可以研究一下。其中ALPHA这里值为0.05.

        好了，到这里语音识别需要的东西基本就完成了。

        其实这篇文章只能算是一个汇总吧，把我需要的东西都记在这里，非常感谢网络上那些乐于分享的同学。

参考：

Iphone开发之音频101：

点击打开链接

检测用户向麦克吹气:

点击打开链接

自动识别语音录入完毕:

点击打开链接

"Unknown type name 'class'; did you mean 'Class'?"(OC与C++混编发生的问题）：
点击打开链接

CADebugPrintf.h file not found：
点击打开链接

Google，微软，科大讯飞的语音识别引擎对比：
点击打开链接