快速开始 — Android

Apple Android Linux Windows

speech-android 使用 ONNX Runtime 为 Android 提供端侧语音处理能力。流水线运行 VAD + STT + TTS 并支持 barge-in，在完成模型下载后完全离线运行。

环境要求

下载预构建的 demo app 立即试用：

app-release.apk

Gradle 依赖

将 SDK 添加到 build.gradle.kts：

implementation("audio.soniqo:speech:0.0.20")

快速开始

val modelDir = ModelManager.ensureModels(context)
val pipeline = SpeechPipeline(SpeechConfig(modelDir = modelDir))
pipeline.events.collect { event ->
    when (event) {
        is SpeechEvent.TranscriptionCompleted -> println(event.text)
        is SpeechEvent.ResponseDone -> pipeline.resumeListening()
        else -> {}
    }
}
pipeline.start()
pipeline.pushAudio(samples) // 16kHz mono float32
重要

默认模型在首次使用时从 HuggingFace 自动下载（总计约 500 MB）。完成首次下载后，所有推理都完全离线运行。

轮次结束检测

启用 Smart Turn v3.2 后，VAD 检测到的停顿会成为一次判断，而不是立即结束轮次。它在每次确认停顿后运行一次，分析当前轮次的最后八秒；分数低于阈值时会保持同一轮次，而最大静音时长可确保轮次最终结束。

val modelDir = ModelManager.ensureModels(context, enableSmartTurn = true)
val pipeline = SpeechPipeline(
    SpeechConfig(
        modelDir = modelDir,
        enableSmartTurn = true,
        turnCompletionThreshold = 0.5f,
        turnCompletionMaxSilenceSec = 2.0f,
    )
)

此功能需额外下载一个固定版本的 11.1 MB int8 模型；推理仍完全离线。Smart Turn 由 Pipecat/Daily 创建，并以 BSD-2-Clause 许可证发布。

系统语音输入 (RecognitionService)

SDK 自带可直接使用的 SpeechRecognitionService,接入 Android 框架的 SpeechRecognizer API — 无需编写代码。一旦你的应用被设为默认语音识别器,任何调用 SpeechRecognizer.createSpeechRecognizer(context)(不指定 ComponentName)的第三方应用都能通过你的流水线获得完全本地的 STT。

1. 在 AndroidManifest.xml 中声明 RECORD_AUDIO 和服务:

<uses-permission android:name="android.permission.RECORD_AUDIO" />

<application>
    <service
        android:name="audio.soniqo.speech.service.SpeechRecognitionService"
        android:exported="true"
        android:permission="android.permission.RECORD_AUDIO">
        <intent-filter>
            <action android:name="android.speech.RecognitionService" />
        </intent-filter>
        <meta-data
            android:name="android.speech"
            android:resource="@xml/recognition_service" />
    </service>
</application>

2. 添加 app/src/main/res/xml/recognition_service.xml:

<?xml version="1.0" encoding="utf-8"?>
<recognition-service xmlns:android="http://schemas.android.com/apk/res/android" />

3. 将服务设为系统默认(原生 Android 上 设置 → 系统 → 语言和输入 → 语音输入选择器,或通过 adb):

adb shell settings put secure voice_recognition_service \
  your.package/audio.soniqo.speech.service.SpeechRecognitionService

4. 通过运行演示应用的 Recognizer test 界面来验证,它调用 SpeechRecognizer.createSpeechRecognizer(ctx)(不带组件)并记录每个框架回调 — 无需 logcat 即可确认 binder 往返。

服务实现了 onCheckRecognitionSupport(API 33+),返回 Parakeet TDT v3 涵盖的 27 个 BCP-47 语言,在模型存在时标记为 installedOnDeviceLanguage(下载中时为 pendingOnDeviceLanguage)。会话期间使用 AUDIOFOCUS_GAIN_TRANSIENT 获取音频焦点。

注意

Gboard、三星键盘和 Google Assistant 都自带识别器,会跳过系统默认。显式调用框架 SpeechRecognizer API(或在其上构建自己 UI)的应用才会经过你的服务。

模型

所有模型通过 ONNX Runtime 运行，并启用 NNAPI 加速。默认使用 INT8 量化。

模型任务大小
Parakeet TDT v3 (INT8)语音转文字（114 种语言）891 MB
Kokoro-82M (INT8)文本转语音（8 种语言）330 MB
Silero VAD v5语音活动检测2 MB
DeepFilterNet3降噪8 MB

源码：github.com/soniqo/speech-android

下一步