最近iOS專案中需要用到語音識別技術（也被稱為自動語音識別，英語：Automatic Speech Recognition, ASR）。去google搜尋了一下，發現語音識別做的不錯的有谷歌，微軟和科大訊飛。但是微軟的語音識別只能在window平臺，科大訊飛的語音識別現在主要是中文和英文，而谷歌的語音識別是可以支援多國語言的，考慮到專案以後可能會有多種語言，所以我選擇用谷歌的語音識別。
這裡有一篇文章，比較詳細的對比了三種語音識別：Google，微軟，科大訊飛的語音識別引擎對比。
語音識別的流程包括兩個步驟：1.語音錄入; 2.語音識別.

語音錄入

語音錄入的方法我使用了兩種：

1.參照官方文件例子SpeakHere（使用了OC,C++混編，後來發現有些OC方法，在iOS 7中已經不建議使用了）

2.使用AVAudioRecorder來錄音（建議使用第二種方法）。

注意：從查得的資料來看，使用谷歌語音搜尋的音訊編碼暫時可用的有flac,speex,wav三種。網上說flac在iOS上獲得比較複雜，speex暫不清楚，wav是可以得到的。獲取wav編碼格式的設定方式如下：

#pragma mark - 
#pragma mark 錄音設定

- (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;
}
 

錄音完成之後，將音訊檔案儲存，然後進行語音識別。

語音識別

• 基本流程：

一、從音訊輸入裝置獲取原始資料。 二、對原始資料進行包裝、編碼。 三、將編碼後的音訊POST至介面地址。 四、分析處理介面返回的JSON並得出結果。

• 請求介面

• 音訊編碼格式

FLAC或WAV或SPEEX

iOS語音識別請求實現程式碼：

- (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];
}
 

返回結果：

{
    "status":0,//返回狀態
    "id":"",
    "hypotheses"://結果列表
    [
     {
         "utterance":"hello", //語音所轉換的文字
         "confidence":0.8394497 //識別信心度
     }
     ]
}

因為專案中語音是用來做搜尋用，基本輸入幾個詞彙就行，不需要大篇幅如簡訊一般。所以，我希望能在我說完話後，自動停止錄音。這樣，我們需要自動識別什麼時候錄入完畢了。

自動識別語音錄入完畢

基本流程：

• 錄音開始，新增一個定時器，不停地檢測話筒是否有接收到聲音；
• 一旦檢測到有聲音，說明開始有說話（期間定時器仍然在檢測）；
• 再次檢測到沒有聲音，說明錄入完畢，然後停止定時器重新整理，停止錄音。

定時器檢測實現方法以及相關注釋：

-(void)refresh:(id)sender
{
    //傳送updateMeters訊息來重新整理平均和峰值功率
    [audioRecorder updateMeters];
    
    //此計數是以對數刻度計量的，-160表示完全安靜，0表示最大輸入值。
    //為方便，我們將其轉換為0-1,0代表完全安靜，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)
    {//此時mic接收到震動
        blowDetected = YES;
    }
    else
    {
        if (blowDetected)
        {
            blowDetected = NO;
            [self stopRecord];
            NSLog(@"錄音完成");
        }
    }
}

blowDetected是一個bool值，因為一開始錄音和完成錄音都是電頻等級較低的時候，所以需要一個開關來區分，否則錄音沒剛始就結束了。

indicateHigh是個view，時刻改變透明度以告訴使用者有人在說話，你也可以用其他方式來指示。

lowPassResults通過低頻濾波演算法得到，有興趣的可以研究一下。其中ALPHA這裡值為0.05.

好了，到這裡語音識別需要的東西基本就完成了。

其實這篇文章只能算是一個彙總吧，把我需要的東西都記在這裡，非常感謝網路上那些樂於分享的同學。

參考：

Iphone開發之音訊101：

檢測使用者向麥克吹氣:

點選開啟連結

自動識別語音錄入完畢:

點選開啟連結

"Unknown type name 'class'; did you mean 'Class'?"(OC與C++混編髮生的問題）：
點選開啟連結

CADebugPrintf.h file not found：
點選開啟連結

Google，微軟，科大訊飛的語音識別引擎對比：
點選開啟連結