1. 从零到一Android 智能语音开发到底在做什么很多人第一次听到“Android 智能语音开发”这个词脑子里浮现的可能是电影里那种跟手机自然对话的场景。但真到自己动手的时候往往连第一步该干什么都不清楚。我刚开始接触这块的时候也一样网上搜一圈全是碎片化的东西要么只讲语音识别要么只讲语音合成没有一个完整的脉络。所以这篇内容我打算把整个链路从头到尾捋一遍把我在实际项目里踩过的坑、试过的方案、以及那些文档里不会写的细节都摊开来讲。先说清楚这个领域到底包含什么。Android 上的智能语音开发核心其实就三件事语音转文字识别、文字转语音合成、以及围绕这两者构建的交互逻辑。你手机上那些语音助手、语音输入法、有声读物播放器、语音记账工具底层都跑不出这个范围。听起来简单但每一块往下挖都有不少门道。这篇文章适合谁看如果你是刚入门的 Android 开发者想给自己的 App 加一个语音功能或者你完全没接触过语音开发但想系统了解一下那这篇内容就是为你准备的。我不会假设你懂信号处理或者深度学习所有概念我都会用生活化的方式解释。但如果你已经做过语音项目里面关于参数调优、延迟优化、异常处理的部分应该也能给你一些新的思路。整个链路我打算按这样的顺序展开先讲清楚技术选型的逻辑为什么有人用系统自带的能力、有人用第三方服务、有人自己训练模型然后拆解核心环节的实现细节包括权限处理、音频采集、识别回调、合成播放这些接着给出一套完整的实操流程你可以直接照着做最后是我在实际项目中遇到的各种奇葩问题和排查方法。每一块我都会尽量给出可以直接复现的代码和配置。2. 技术选型系统能力、第三方服务还是自研模型2.1 三条路线的真实成本对比做语音功能第一个要做的决定就是用谁的引擎这个问题没有标准答案完全取决于你的场景。我把常见的三条路线拉出来对比一下。对比维度系统自带能力第三方云服务自研/本地模型接入难度极低几行代码低需要注册和配置高需要模型和推理框架识别准确率中等看设备高持续优化取决于训练数据离线可用部分支持通常不支持完全支持成本免费按调用量计费前期投入大后期边际成本低隐私性数据在本地数据上传到服务端数据完全本地定制化几乎没有有限定制完全可控延迟低取决于网络低本地推理系统自带的能力比如 Android 原生的 SpeechRecognizer 和 TextToSpeech最大的优势就是接入快、不用花钱、不用联网也能跑一部分。但问题也很明显不同厂商的设备上表现差异巨大有的手机识别率很高有的就一言难尽。而且你几乎没法控制它的行为比如你想调整识别灵敏度、想自定义词汇表基本做不到。第三方云服务的识别准确率确实高出一截尤其是对中文方言、专业术语的处理。但代价是你要把用户的语音数据传到别人的服务器上这在一些对隐私敏感的场景里是硬伤。另外网络抖动的时候延迟会很明显用户说完一句话等两三秒才出结果体验很差。自研或者本地部署模型听起来很酷但实际门槛不低。你需要有足够的标注数据、需要选合适的推理框架、需要处理模型体积和手机性能的平衡。不过如果你的场景对隐私要求极高或者需要在完全离线的环境下工作那这条路是绕不开的。2.2 我的选型建议从场景倒推我一般会问自己三个问题来决定用哪条路线。第一个问题用户能不能接受联网如果这是一个记事本类的工具用户可能希望在地铁里、飞机上也能用语音输入那就必须考虑离线方案。如果是一个客服类的应用本来就要联网那用云服务完全没问题。第二个问题识别的内容有没有专业术语比如医疗、法律、工程领域的词汇通用引擎的识别率会明显下降。这时候要么用支持自定义词库的云服务要么自己针对领域数据做微调。第三个问题预算和团队能力如何如果只是做个 Demo 或者小工具系统自带的能力足够了。如果是商业产品云服务的按量计费在用户量大了之后是一笔不小的开支这时候就要算一笔账自研的前期投入多久能摊平。我个人的经验是大多数中小型项目用“系统能力打底 云服务兜底”的混合方案最划算。具体来说优先尝试系统自带的识别如果置信度低于某个阈值再调用云服务重新识别。这样既保证了离线场景的可用性又在网络好的时候拿到了更高的准确率。2.3 那些选型时容易忽略的隐性成本选型的时候大家容易只看识别率这一个指标但实际上有几个隐性成本很容易被低估。第一个是冷启动时间。系统自带的识别器在某些设备上首次调用要等一两秒才能就绪云服务则要建立网络连接。如果你的 App 是那种用户点一下就要立刻说话的这个等待时间会非常影响体验。解决办法是在页面加载的时候就预热引擎而不是等用户点了按钮才开始初始化。第二个是音频格式的兼容性。不同的引擎对采样率、位深、声道数的要求不一样。系统识别器通常要求 16kHz 单声道 PCM而云服务可能接受多种格式但推荐特定的编码。如果你在采集端没有处理好要么识别不出来要么准确率大打折扣。这个坑我在第一个项目里就踩过采集用的是 44.1kHz直接丢给识别器结果返回的全是乱码。第三个是并发和资源占用。语音识别和语音合成如果同时运行会争抢音频通道。Android 的音频系统对同时播放和录制有严格的限制处理不好就是其中一个完全没声音。这个后面讲具体实现的时候我会详细说怎么规避。3. 核心环节拆解从麦克风到文字再到声音3.1 权限申请别等到用户点了按钮才要权限Android 的录音权限是危险权限必须动态申请。很多新手会犯的一个错误是用户点了“开始录音”按钮才弹出权限对话框。这时候用户已经表达了明确的意图突然被一个系统弹窗打断体验很割裂。更好的做法是在页面初始化的时候就检查权限如果没授权用一个友好的引导页说明为什么需要这个权限然后再触发系统弹窗。如果用户拒绝了要给出明确的提示告诉他去设置里怎么开。如果用户勾选了“不再询问”那就只能引导他去系统设置页面手动开启。// 检查录音权限 private fun checkAudioPermission(): Boolean { return ContextCompat.checkSelfPermission( this, Manifest.permission.RECORD_AUDIO ) PackageManager.PERMISSION_GRANTED } // 申请权限 private val requestPermissionLauncher registerForActivityResult( ActivityResultContracts.RequestPermission() ) { isGranted - if (isGranted) { startListening() } else { // 判断是否被永久拒绝 if (!shouldShowRequestPermissionRationale(Manifest.permission.RECORD_AUDIO)) { showGoToSettingsDialog() } else { showPermissionDeniedTip() } } }注意从 Android 11 开始如果应用在后台使用麦克风还需要额外声明前台服务。如果你的语音功能需要在后台持续监听必须创建一个前台服务并显示通知否则系统会直接掐断你的录音。3.2 音频采集采样率和缓冲区大小的选择音频采集这块最核心的参数就两个采样率和缓冲区大小。采样率决定了你能捕捉到多高的频率。根据奈奎斯特采样定理采样率至少要是目标频率的两倍。人声的主要频率范围在 300Hz 到 3400Hz 之间所以电话系统的采样率是 8kHz。但语音识别引擎通常要求 16kHz因为更高的采样率能保留更多辅音的高频信息对识别准确率有帮助。44.1kHz 是音乐 CD 的标准对语音识别来说完全没必要反而会增加数据量和处理负担。缓冲区大小决定了采集的延迟和稳定性。缓冲区太小容易发生欠载导致音频断断续续缓冲区太大延迟就高用户说完话要等很久才有反应。Android 的 AudioRecord 提供了一个getMinBufferSize方法来获取设备支持的最小缓冲区我一般会取这个值的两到四倍作为实际使用的缓冲区大小。val sampleRate 16000 val channelConfig AudioFormat.CHANNEL_IN_MONO val audioFormat AudioFormat.ENCODING_PCM_16BIT val minBufferSize AudioRecord.getMinBufferSize( sampleRate, channelConfig, audioFormat ) val bufferSize minBufferSize * 2 val audioRecord AudioRecord( MediaRecorder.AudioSource.VOICE_RECOGNITION, sampleRate, channelConfig, audioFormat, bufferSize )这里AudioSource的选择也有讲究。VOICE_RECOGNITION会启用一些针对语音的预处理比如降噪和自动增益适合识别场景。MIC是原始信号不做任何处理适合需要自己处理音频的场景。VOICE_COMMUNICATION针对通话优化会启用回声消除适合双向通话的场景。3.3 语音识别回调机制和中间结果的处理系统自带的 SpeechRecognizer 使用起来很简单但它是一个异步回调的模型理解它的回调时序很重要。val speechRecognizer SpeechRecognizer.createSpeechRecognizer(context) val recognitionListener object : RecognitionListener { override fun onReadyForSpeech(params: Bundle?) { // 引擎就绪可以开始说话 updateUiState(请开始说话) } override fun onBeginningOfSpeech() { // 检测到用户开始说话 updateUiState(正在聆听...) } override fun onRmsChanged(rmsdB: Float) { // 音量变化可以用来做音量条动画 updateVolumeIndicator(rmsdB) } override fun onBufferReceived(buffer: ByteArray?) { // 原始音频数据一般不用 } override fun onEndOfSpeech() { // 用户停止说话 updateUiState(识别中...) } override fun onError(error: Int) { // 错误处理后面详细讲 handleRecognitionError(error) } override fun onResults(results: Bundle?) { // 最终识别结果 val matches results?.getStringArrayList( SpeechRecognizer.RESULTS_RECOGNITION ) val text matches?.firstOrNull() ?: handleFinalResult(text) } override fun onPartialResults(partialResults: Bundle?) { // 中间结果可以用来做实时字幕 val matches partialResults?.getStringArrayList( SpeechRecognizer.RESULTS_RECOGNITION ) val partialText matches?.firstOrNull() ?: updatePartialText(partialText) } override fun onEvent(eventType: Int, params: Bundle?) { // 一般不用 } } speechRecognizer.setRecognitionListener(recognitionListener)onPartialResults这个回调非常有用。它会在用户说话的过程中不断返回中间结果你可以用它来做实时字幕效果让用户看到自己说的话正在被识别。但要注意中间结果是不稳定的后面的回调可能会修正前面的内容。所以如果你要做字幕最好用一个单独的 TextView 来显示中间结果等onResults回来之后再替换成最终结果。3.4 语音合成让机器说话的自然度调优TextToSpeech 的接入也不复杂但要让合成出来的声音听起来自然有几个参数需要调。val tts TextToSpeech(context) { status - if (status TextToSpeech.SUCCESS) { // 设置语言 val result tts.setLanguage(Locale.CHINA) if (result TextToSpeech.LANG_MISSING_DATA || result TextToSpeech.LANG_NOT_SUPPORTED) { // 语言不支持需要提示用户 } // 设置语速1.0 是正常速度 tts.setSpeechRate(1.0f) // 设置音调1.0 是正常音调 tts.setPitch(1.0f) } } // 合成并播放 fun speak(text: String) { if (Build.VERSION.SDK_INT Build.VERSION_CODES.LOLLIPOP) { val params Bundle().apply { putInt(TextToSpeech.Engine.KEY_PARAM_STREAM, AudioManager.STREAM_MUSIC) } tts.speak(text, TextToSpeech.QUEUE_FLUSH, params, utteranceId) } else { tts.speak(text, TextToSpeech.QUEUE_FLUSH, null) } }语速和音调的调整要根据内容来。如果是播报新闻语速可以稍快一点1.1 到 1.2 左右如果是给儿童讲故事语速要慢0.8 到 0.9音调可以稍微高一点。但不要调得太极端否则听起来会很奇怪。还有一个容易被忽略的点是文本的预处理。TTS 引擎对数字、符号、英文的处理规则不一样。比如“2024年”有的引擎会读成“二零二四年”有的会读成“两千零二十四年”。如果你对读音有特定要求最好在传入之前把文本规范化。比如把“100”写成“一百”把“km”写成“千米”。4. 完整实操搭一个能用的语音记账 Demo4.1 项目结构和依赖配置光讲原理不够我带你搭一个完整的 Demo。这个 Demo 的功能是用户按住按钮说话比如“午餐花了三十五块”松开后识别出文字解析出金额和类别然后语音播报确认。先看项目结构app/ src/main/ java/com/example/voicebook/ MainActivity.kt AudioRecorderManager.kt SpeechRecognitionManager.kt TtsManager.kt ExpenseParser.kt res/ layout/activity_main.xml values/strings.xml依赖方面系统自带的 API 不需要额外引入库。但如果你要用协程来处理异步逻辑需要加上dependencies { implementation org.jetbrains.kotlinx:kotlinx-coroutines-android:1.7.3 }4.2 音频录制模块的封装我把录音相关的逻辑封装成一个独立的类这样主界面不用关心底层细节。class AudioRecorderManager { private var audioRecord: AudioRecord? null private var isRecording false private var recordingThread: Thread? null companion object { const val SAMPLE_RATE 16000 const val CHANNEL_CONFIG AudioFormat.CHANNEL_IN_MONO const val AUDIO_FORMAT AudioFormat.ENCODING_PCM_16BIT } fun startRecording(onDataAvailable: (ByteArray) - Unit) { val minBufferSize AudioRecord.getMinBufferSize( SAMPLE_RATE, CHANNEL_CONFIG, AUDIO_FORMAT ) val bufferSize minBufferSize * 2 audioRecord AudioRecord( MediaRecorder.AudioSource.VOICE_RECOGNITION, SAMPLE_RATE, CHANNEL_CONFIG, AUDIO_FORMAT, bufferSize ) if (audioRecord?.state ! AudioRecord.STATE_INITIALIZED) { throw IllegalStateException(AudioRecord 初始化失败) } audioRecord?.startRecording() isRecording true recordingThread Thread { val buffer ByteArray(bufferSize) while (isRecording) { val bytesRead audioRecord?.read(buffer, 0, buffer.size) ?: 0 if (bytesRead 0) { onDataAvailable(buffer.copyOf(bytesRead)) } } }.also { it.start() } } fun stopRecording() { isRecording false recordingThread?.join(1000) audioRecord?.stop() audioRecord?.release() audioRecord null recordingThread null } }注意audioRecord.read是一个阻塞调用必须放在子线程里执行。如果你在主线程调用会直接 ANR。另外stopRecording的时候要先设置isRecording false再 join 线程最后释放资源。顺序反了的话子线程可能还在读一个已经释放的 AudioRecord导致崩溃。4.3 识别与合成的协同调度识别和合成如果同时进行会出问题。因为 TTS 播放的时候会占用音频输出通道而识别需要音频输入通道两者本身不冲突。但如果你在 TTS 播放的时候启动识别麦克风会把 TTS 的声音也录进去导致识别出乱七八糟的内容。我的做法是TTS 播放期间暂停识别播放结束后再恢复。用一个状态机来管理sealed class VoiceState { object Idle : VoiceState() object Listening : VoiceState() object Recognizing : VoiceState() object Speaking : VoiceState() } class VoiceController( private val recognizer: SpeechRecognitionManager, private val tts: TtsManager ) { private var currentState: VoiceState VoiceState.Idle fun startListening() { if (currentState is VoiceState.Speaking) { // 正在播放先停止 tts.stop() } currentState VoiceState.Listening recognizer.startListening() } fun onRecognitionResult(text: String) { currentState VoiceState.Recognizing // 解析文本 val expense ExpenseParser.parse(text) if (expense ! null) { // 合成确认语音 currentState VoiceState.Speaking tts.speak(好的${expense.category}${expense.amount}元已记录) } else { currentState VoiceState.Speaking tts.speak(抱歉我没有听清楚请再说一遍) } } fun onTtsComplete() { currentState VoiceState.Idle } }4.4 文本解析从“午餐三十五块”到结构化数据语音识别出来的是一串文字你需要从中提取出金额和类别。这块我用的是规则匹配加关键词映射对于 Demo 来说足够了。object ExpenseParser { private val categoryKeywords mapOf( 早餐 to 早餐, 午餐 to 午餐, 晚餐 to 晚餐, 打车 to 交通, 地铁 to 交通, 公交 to 交通, 买菜 to 食材, 超市 to 日用品, 电影 to 娱乐, 咖啡 to 饮品 ) private val numberPattern Regex((\\d(\\.\\d)?)) private val chineseNumberMap mapOf( 零 to 0, 一 to 1, 二 to 2, 两 to 2, 三 to 3, 四 to 4, 五 to 5, 六 to 6, 七 to 7, 八 to 8, 九 to 9, 十 to 10, 百 to 100, 千 to 1000 ) fun parse(text: String): Expense? { val category categoryKeywords.entries .firstOrNull { text.contains(it.key) } ?.value ?: 其他 val amount extractAmount(text) ?: return null return Expense(category, amount) } private fun extractAmount(text: String): Double? { // 先尝试阿拉伯数字 numberPattern.find(text)?.let { return it.value.toDoubleOrNull() } // 再尝试中文数字 return parseChineseNumber(text) } private fun parseChineseNumber(text: String): Double? { // 简化版中文数字解析处理“三十五”这类 var result 0.0 var current 0.0 for (char in text) { val value chineseNumberMap[char.toString()] ?: continue when { value 10 - { if (current 0.0) current 1.0 result current * value current 0.0 } else - { current current * 10 value } } } result current return if (result 0) result else null } } data class Expense(val category: String, val amount: Double)这个解析器很粗糙但能覆盖大部分日常场景。实际项目中你可能需要更复杂的 NLP 处理比如处理“一百二”这种省略说法或者“三十五块五”这种带角分的表达。4.5 界面交互按住说话的状态反馈界面这块核心是给用户清晰的状态反馈。我用一个按钮加一个状态文本加一个音量指示器来实现。LinearLayout android:layout_widthmatch_parent android:layout_heightmatch_parent android:orientationvertical android:gravitycenter android:padding24dp TextView android:idid/tvStatus android:layout_widthwrap_content android:layout_heightwrap_content android:text按住下方按钮开始说话 android:textSize18sp / TextView android:idid/tvPartialResult android:layout_widthmatch_parent android:layout_heightwrap_content android:layout_marginTop16dp android:gravitycenter android:textSize16sp android:textColor#666666 / ProgressBar android:idid/volumeIndicator style?android:attr/progressBarStyleHorizontal android:layout_width200dp android:layout_height8dp android:layout_marginTop24dp android:max100 android:progress0 / Button android:idid/btnSpeak android:layout_width120dp android:layout_height120dp android:layout_marginTop32dp android:text按住说话 android:textSize16sp / /LinearLayout按钮的触摸事件处理btnSpeak.setOnTouchListener { _, event - when (event.action) { MotionEvent.ACTION_DOWN - { startListening() true } MotionEvent.ACTION_UP, MotionEvent.ACTION_CANCEL - { stopListening() true } else - false } }音量指示器的更新在onRmsChanged回调里override fun onRmsChanged(rmsdB: Float) { // rmsdB 的范围大概是 -2 到 10 val progress ((rmsdB 2) / 12 * 100).toInt().coerceIn(0, 100) runOnUiThread { volumeIndicator.progress progress } }5. 常见问题与排查技巧实录5.1 识别没反应或者立刻返回错误这是最常见的问题原因可能有好几种。我整理了一个排查表现象可能原因排查方法调用 startListening 后立刻 onError没有录音权限检查权限是否授予调用后没有任何回调识别器没有正确初始化检查 createSpeechRecognizer 的返回值onError 返回 ERROR_NO_MATCH没有说话或者环境太吵提示用户重新说onError 返回 ERROR_RECOGNIZER_BUSY上一次识别还没结束确保每次 start 之前先 cancelonError 返回 ERROR_INSUFFICIENT_PERMISSIONS权限被拒绝引导用户去设置开启onError 返回 ERROR_NETWORK网络问题云识别检查网络连接其中ERROR_RECOGNIZER_BUSY特别常见。如果你连续快速点击按钮上一次识别还没结束就启动了新的就会报这个错。解决办法是在startListening之前先调用cancel()并且用一个标志位防止重复启动。fun startListening() { if (isListening) return isListening true speechRecognizer.cancel() // 先取消上一次 speechRecognizer.startListening(intent) }5.2 识别结果不准确或者断句奇怪识别准确率受很多因素影响。除了引擎本身的能力你能控制的主要是这几点音频质量。确保采样率是 16kHz位深是 16bit单声道。如果设备支持开启VOICE_RECOGNITION音频源。避免在嘈杂环境下使用如果必须在嘈杂环境用可以考虑加一个简单的降噪预处理。说话方式。语音识别对语速和停顿很敏感。太快太连贯的说话识别率会下降。可以在 UI 上引导用户“请慢慢说说完停顿一下”。自定义词汇。系统识别器支持通过EXTRA_BIASING_STRINGS传入一些偏置词让引擎更倾向于识别这些词。比如你的应用是记账的可以传入“早餐午餐晚餐打车地铁”这些词。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, true) putExtra(RecognizerIntent.EXTRA_BIASING_STRINGS, arrayListOf(早餐, 午餐, 晚餐, 打车)) }5.3 TTS 没有声音或者声音异常TTS 没声音先检查这几个点语言包是否已安装。有些设备出厂时没有预装中文语音包需要用户去系统设置里下载。媒体音量是否为零。TTS 默认走的是媒体音量通道如果用户把媒体音量调到了零TTS 就没声音。是否被其他音频应用占用。如果有音乐播放器在后台播放TTS 可能会被压制。声音异常比如语速太快太慢、音调奇怪检查setSpeechRate和setPitch的值是否在合理范围内。另外不同设备的 TTS 引擎实现不一样同样的参数在不同手机上效果可能不同。如果对声音一致性要求高可以考虑用云端的 TTS 服务但那就需要联网了。实操心得在onInit回调里不要直接调用speak因为这时候引擎可能还没完全就绪。我一般会设置一个标志位等onInit返回 SUCCESS 之后再允许调用speak。如果用户在初始化完成之前就触发了播放把文本存到一个队列里等初始化完成后再播放。5.4 内存泄漏和资源释放语音相关的对象比如 SpeechRecognizer、TextToSpeech、AudioRecord都是系统资源必须在使用完毕后释放。特别是 SpeechRecognizer它内部持有 Context如果不释放会导致 Activity 泄漏。override fun onDestroy() { super.onDestroy() speechRecognizer?.destroy() tts?.shutdown() audioRecorder?.stopRecording() }另外如果是在 Fragment 里使用要在onDestroyView里释放而不是onDestroy因为 Fragment 的 View 可能比 Fragment 本身先销毁。6. 进阶方向让语音交互更自然6.1 连续对话与打断处理基础的语音交互是“按一下说一句”但更自然的体验是连续对话。用户说完一句系统自动开始听下一句不需要再按按钮。这需要处理几个问题怎么判断用户说完了怎么处理用户打断系统说话的情况判断用户说完可以用静音检测。当音频的能量低于某个阈值持续超过一定时间比如 1.5 秒就认为用户说完了。这个阈值需要根据环境噪音动态调整安静环境下阈值低嘈杂环境下阈值高。打断处理就是在 TTS 播放的时候持续监听麦克风如果检测到用户开始说话立刻停止 TTS 播放切换到识别模式。这个逻辑听起来简单但实现起来要小心音频通道的切换处理不好会有回音或者爆音。6.2 离线识别的可行性如果你需要完全离线的识别系统自带的识别器在部分设备上支持离线模式。可以通过SpeechRecognizer.isRecognitionAvailable和checkRecognitionSupport来查询设备是否支持离线识别。但离线识别的准确率通常比在线低不少而且支持的词汇量有限。另一个思路是用本地的轻量级模型比如一些开源的语音识别引擎可以集成到 Android 应用中。但模型体积通常不小最小的也有几十兆对 App 包大小有影响。而且推理速度取决于手机性能低端机上可能很慢。6.3 语音唤醒词的实现语音唤醒是指设备在待机状态下持续监听听到特定的词比如“你好助手”就激活。这个功能对功耗要求很高因为要一直开着麦克风。系统级别的唤醒通常由硬件协处理器完成第三方应用很难做到低功耗的持续监听。如果你的应用需要唤醒词功能比较现实的做法是在应用处于前台时用低采样率持续监听检测到唤醒词后再启动完整的识别流程。但这样功耗依然不低而且用户可能会担心隐私问题。所以除非是核心功能否则不建议在普通应用里做唤醒词。7. 我踩过的那些坑和最后的建议做语音项目这几年踩过的坑真的不少。有一个印象特别深早期做一个语音输入功能测试的时候一切正常上线后收到用户反馈说在某些手机上完全没反应。排查了很久才发现那些手机的系统里根本没有预装语音识别服务SpeechRecognizer.createSpeechRecognizer返回了 null而我没有做空判断直接调用了方法就崩溃了。从那以后我养成了一个习惯所有系统服务相关的对象创建之后第一件事就是判空。还有一个坑是关于音频焦点的。如果你的应用在录音这时候来了一个电话系统会把音频通道抢走你的录音就断了。如果不处理这个中断用户会发现录到一半没声音了。正确的做法是注册AudioManager.OnAudioFocusChangeListener在失去焦点的时候暂停录音等重新获得焦点后再恢复。最后分享一个我觉得很实用的技巧在开发阶段把识别和合成的中间结果都打日志。包括每次识别的原始音频长度、识别返回的置信度、TTS 的初始化状态、播放完成的时间戳。这些日志在排查问题的时候非常有用。我甚至会在 Debug 版本里做一个隐藏的调试面板实时显示这些信息测试的时候一目了然。语音开发这个方向入门不难但要做好做精需要关注的细节很多。从音频采集的参数调优到识别引擎的选型再到交互逻辑的设计每一环都会影响最终的体验。希望这篇内容能帮你少走一些弯路把精力花在真正创造价值的地方。