如何使用 SpeechRecognizer 实现离线语音转文字？
解读
面试官抛出这道题，核心想验证三件事：
- 你是否知道 Android 官方 SpeechRecognizer 默认只能“在线”调 Google 云端，而国内手机基本阉割 GMS，云端通路不可达；
- 你是否具备“离线”落地的工程思维——选型、模型、资源、权限、生命周期、容错、功耗；
- 你是否能把“离线”与“国产化合规”结合起来，比如不依赖 Google 服务、不偷传用户音频、支持信创芯片。
因此，回答必须围绕“无 GMS、纯端侧、可商用”展开，而不是简单贴一段 RecognizerIntent 代码。
知识点
- Android 语音识别栈：
- 官方 API：SpeechRecognizer / RecognizerIntent → 通过 com.google.android.googlequicksearchbox 云端识别，国内不可用。
- 系统级 PackageManager 查询：若设备厂商内置离线引擎（如华为 HwVoiceService、小米 MiAi、OPPO HeyTapSpeech），可通过隐式 Intent 调起，但机型碎片化严重。
- 端侧模型方案：
- 轻量级流式模型：WeNet、Kaldi 移植、Vosk、Sherpa-ncnn，均基于 ONNX/NCNN，体积 50–150 MB，支持中文。
- 量化与压缩：INT8 权重 + 稀疏化，可把模型压到 30 MB 以内，首次启动解压到 /data/data/<pkg>/files/ 目录。
- 音频前端：16 kHz/16 bit 单声道，VAD（WebRTC AGC/VAD）裁剪，MFCC 或 Fbank 特征，20 ms 帧移。
- 权限与隐私合规：
- 麦克风权限：RECORD_AUDIO，Android 13 及以上需“运行时 + 前台服务”双重声明。
- 隐私政策：在清单中声明 android:required="false" 的麦克风特性，避免商店审核被拒；T-1 天弹窗告知用户“本机离线识别，音频不出端”。
- 工程落地：
- 线程模型：AudioRecord 在常驻 HandlerThread 采集，环形缓冲区 320 ms，回调到 JNI 层推理，结果通过 LiveData 回主线程。
- 生命周期：Service + BroadcastReceiver 监听屏幕熄灭，立即 stopRecording()，防止耗电。
- 容错：模型文件 MD5 校验，损坏时从 assets 重新拷贝；JNI 层捕获 OOM，回退到“请手动输入”模式。
- 性能指标：
- 首字延迟 < 300 ms，句末延迟 < 800 ms；
- 内存峰值 < 180 MB（32 位）/ 280 MB（64 位）；
- 连续识别 30 min，电量消耗 < 3%。
答案
“国内场景下，SpeechRecognizer 默认通道被阉割，真正的离线方案需要三步：
第一步，放弃官方 SpeechRecognizer，改用端侧轻量模型。以 Vosk 为例，把中文 1.8 GB 大模型剪枝到 80 MB，assets 分包动态下发。
第二步，自建 RecognizerService。内部用 AudioRecord 采集 16 kHz 单声道，通过 WebRTC VAD 检测语音起止，只把有效语音段送进 JNI 层推理，避免整段录音占用内存。
第三步，封装与系统 SpeechRecognizer 完全一致的接口：startListening(Bundle) → onBeginningOfSpeech() → onPartialResults() → onResults()，让业务层无感切换。
最后，权限侧在 Android 13 上必须申请 RECORD_AUDIO + FOREGROUND_SERVICE_MICROPHONE，并在代码里动态检测‘后台启动录音’权限，否则小米、华为会直接抛 SecurityException。上线前用 Battery Historian 跑 2 小时 monkey，确保离线模型不持锁、不泄漏、不耗电。”
拓展思考
- 如果老板要求“零安装包增量”，如何把 80 MB 模型放到系统分区？
答：与厂商预装谈判，把模型 push 到 /system/etc/voice/model/，通过 HIDL 暴露 IVoiceRecognitionService，供多应用共享，APK 体积降为 0。 - 车载场景下，车机芯片是 RK3566，A35 四核 1.8 GHz，无 NPU，如何再压性能？
答：改用 WeNet 的 CPU INT8 流式解码，单核占用 35 %，把 beam size 调到 3，字错误率仅上升 0.8 %，可接受。 - 合规升级：网信办要求“录音数据不出车”，但又要后台热词更新，如何解？
答：模型权重拆分：底层声学模型固定在车机，语言模型做成 3-gram 文本文件（仅 2 MB），后台通过 TSP 通道下发差分，客户端合并后重启识别服务，全程无音频上传。