解读

面试官问“如何利用系统提供的 AI 服务”，并不是想听“调个第三方 SDK 就行”。他考察的是：

1. 你是否知道 Android 官方把哪些 AI 能力下沉到了系统层（即设备端，非云端），以及这些能力在国内 ROM 与 GMS 环境下的可用性差异；
2. 你是否能把“能力→接口→权限→生命周期→性能”串成一条完整的技术路径；
3. 你是否具备“国内合规”意识：工信部 26 号文、个人信息保护“最小必要”原则、数据出境评估办法，都会直接影响你能否直接调用 Google 云端模型；
4. 你是否能在面试现场给出“最小可验证 Demo”级别的关键代码片段，并解释背后的线程模型与内存拷贝点。

一句话：要体现出“我知道国内什么能调、什么不能调，不能调时我有替代方案，而且我能让老板少踩监管坑”。

知识点

1. Android 官方 AI 服务分类

   • 语音合成 TTS：android.speech.tts.TextToSpeech，完全开源，不依赖 GMS，国内 ROM 全量保留。
   • 语音识别：android.speech.SpeechRecognizer，依赖 RecognitionService；国内 ROM 普遍阉割 Google 识别引擎，需切换成系统内置“讯飞服务”或“小爱同学服务”。
   • 图像增强：Android 12 引入 android.media.effect.EffectFactory，提供自动 HDR、夜景、人脸修复等 GPU 滤镜；国内 ROM 仅小米、OPPO 部分机型完整实现，华为走自家 HiAI 路线。
   • ML Kit 标记为“GMS 扩展服务”，工信部备案号在华为、荣耀设备上无法拉起，需要降级到“离线模型 + 自研 SDK”。

2. 系统服务调用流程

   • 能力探测：PackageManager.queryIntentServices + 系统特征常量（如 PackageManager.FEATURE_AUDIO_OUTPUT_PROCESSED）判断设备端是否内置引擎。
   • 权限声明：TTS 无需敏感权限；图像增强需 CAMERA、RECORD_AUDIO；若走到“云端识别”还需 INTERNET、ACCESS_NETWORK_STATE，并在隐私政策里声明“向境外传输语音数据”。
   • 生命周期绑定：TextToSpeech.OnInitListener 回调成功后再 speak；EffectFactory 依赖 EGLContext，必须在 GL 线程创建，且与 Camera2/CameraX 的 Surface 共享同一线程。
   • 性能与合规：语音流式回调在 Binder 线程，需立即 hand-off 到后台线程；图像增强每帧 1920×1080 耗时 6~8 ms，必须丢到 RenderScript 或 Vulkan compute queue，避免阻塞 UI 线程导致掉帧。

3. 国内替代方案

   • 语音合成：小米系统接口 com.miui.tts.IMiuiTtsService、华为 HiAI Engine.TTS；均提供 AIDL 绑定，但 SDK 包藏在系统私有路径，需用反射或 OEM 提供的 jar。
   • 图像增强：华为 HiAI Engine.IMAGE_SUPER_RES、OPPO AIUnit；能力探测走 HwHiAI.isFeatureSupported()；返回 false 时降级到 OpenGL ES 3.1 着色器方案。

4. 面试加分细节

   • 提到“我先把模型下载到 /data/user/0/packagename/files/ai_models，再用 MappedByteBuffer 加载，避免每次从 assets 拷贝”；
   • 提到“我在 init 阶段加入 ThreadPoolExecutor，限制并发 2 路，防止多实例把系统 HAL 层 GPU 上下文打满”；
   • 提到“针对国内 32 位 ROM，我把 .tflite 模型量化成 int8，模型体积从 12 MB 压到 3.8 MB，首次加载耗时 180 ms→45 ms”。

答案

“以语音合成为例，我的完整实现分四步： 第一步，能力探测。在 Application.onCreate 里用 PackageManager.queryIntentServices(new Intent(RecognitionService.SERVICE_INTERFACE), 0) 判断系统是否内置识别引擎；若返回空列表，说明是华为/荣耀机器，就切换到华为自带的‘com.huawei.tts’服务。 第二步，初始化与权限。TextToSpeech 本身不敏感，但我要在 8.0+ 上支持‘男声/女声’切换，需要下载 28 MB 离线音色包；我把下载逻辑放在 WorkManager 里，只在 Wi-Fi 且充电时执行，并在隐私政策里写明‘音色包仅本地使用，不上传云端’，满足工信部 26 号文要求。 第三步，生命周期与线程。TTS 引擎初始化是异步的，我在 ViewModel 里暴露 LiveData<Boolean> ttsReady，当 onInit 回调 status == SUCCESS 时才设为 true；UI 层监听后把按钮置为可点击，防止用户连续点击触发 ANR。播放语音时，我把 HashMap<String, String> params 里的 KEY_PARAM_STREAM 设为 AudioManager.STREAM_NOTIFICATION，这样即使用户在后台听歌，也不会被我的提示音打断。 第四步，性能与异常。我在 speak 之前先调用 TextToSpeech.synthesizeToFile() 把文本预合成到 cacheDir，如果耗时 > 150 ms，就放弃实时播放，直接提示‘正在为您朗读’并后台播放；同时捕获‘-2（TTS.ERROR_NOT_INSTALLED_YET）’异常，引导用户到系统设置里安装离线数据包。 上线后，我们监控到 TTS 初始化成功率 99.3%，平均首帧延迟 82 ms，OPPO 实验室功耗测试仅增加 3.2 mA，满足运营商入库标准。”

图像增强部分可同理展开：先通过 EffectFactory.isEffectSupported(EffectFactory.EFFECT_HDR) 探测，再创建 EffectContext 与 Camera2 共享 EGLContext，每帧在 GPU 完成色调映射，最后把处理后的 GLES30.Texture 交给 SurfaceFlinger，全程零 CPU 拷贝；若探测失败，则降级到自研 OpenGL ES 3.1 着色器，保持接口一致，让业务层无感知。

拓展思考

1. 折叠屏场景：当应用从 6.5 英寸主屏切换到 8 英寸内屏时，图像增强的输入分辨率从 1920×1080 变成 2480×1860，GPU 负载瞬间提升 1.8 倍；我通过 DisplayManager.DisplayListener 监听折叠事件，动态把 EffectFactory 的 render quality 从 HIGH 降到 MEDIUM，帧率依旧保持 60 fps，功耗只增加 120 mW。
2. 车载场景：Android Automotive OS 不允许安装 GMS，语音合成只能走系统内置引擎；但车规级要求冷启动 ≤ 1.5 s，我把 TTS 初始化提前到 SystemUI 进程，通过 CarService 把引擎 Binder 句柄透传给第三方应用，应用端直接跨进程调用，冷启动耗时从 800 ms 降到 120 ms。
3. 合规演进：2024 年《生成式 AI 备案新规》要求“语音合成内容需添加可追踪水印”；我在合成 PCM 流里插入 16 bit 不可闻高频序列，并在 Metadata 区写入 128 bit UUID，后台收到用户投诉时可快速定位到具体版本与设备，满足网信办溯源要求，同时不影响听觉体验。