在2016 WWDC大會上，Apple公司發(fā)布了iOS10，并介紹了一個很好的語音識別的API,那就是Speech framework。事實(shí)上，這個Speech Kit就是Siri用來做語音識別的框架。如今已經(jīng)有一些可用的第三方語音識別框架，但是它們要么太貴要么不好。現(xiàn)在就讓我們開始創(chuàng)建一個使用Speech Kit來進(jìn)行語音轉(zhuǎn)文字的類似Siri的app。
先從創(chuàng)建一個新的命名為SpeechToTextDemo的單視圖工程開始。接下來，到 Main.storyboard 中添加一個 UILabel,一個 UITextView, 和一個 UIButton，

你的storyboard應(yīng)該看起來如下圖：

接下來在 ViewController.swift文件中為UITextView 和UIButton 定義outlet變量。在這個demo當(dāng)中，我設(shè)置UITextView 的名稱為“textView”，UIButton的名稱為“microphoneButton”。然后創(chuàng)建一個當(dāng)microphone按鈕被點(diǎn)擊時會觸發(fā)的空的按鈕執(zhí)行方法

@IBAction func microphoneTapped(_ sender: AnyObject) {
  
}

使用Speech Framework

為了能使用Speech framework, 你必須首先導(dǎo)入它然后遵循 SFSpeechRecognizerDelegate 協(xié)議。因此讓我們導(dǎo)入這個框架，然后在 ViewController 文件中加上它的協(xié)議。現(xiàn)在你的 ViewController.swift 文件應(yīng)該如下所示：

import UIKit
import Speech
  
class ViewController: UIViewController, SFSpeechRecognizerDelegate {
     
     
    @IBOutlet weak var textView: UITextView!
    @IBOutlet weak var microphoneButton: UIButton!
     
    override func viewDidLoad() {
        super.viewDidLoad()
         
    }
  
    @IBAction func microphoneTapped(_ sender: AnyObject) {
  
    }
  
}

用戶授權(quán)

在使用speech framework做語音識別之前，你必須首先得到用戶的允許，因?yàn)椴粌H僅只有本地的ios設(shè)備會進(jìn)行識別，蘋果的服務(wù)器也會識別。所有的語音數(shù)據(jù)都會被傳遞到蘋果的后臺進(jìn)行處理。因此，獲取用戶授權(quán)是強(qiáng)制必須的。

讓我們在 viewDidLoad 方法里授權(quán)語音識別。用戶必須允許app使用話筒和語音識別。首先，聲明一個speechRecognizer變量：

private let speechRecognizer = SFSpeechRecognizer(locale: Locale.init(identifier: "en-US"))  //1

然后如下更新 viewDidLoad 方法：

override func viewDidLoad() {
    super.viewDidLoad()
    
    microphoneButton.isEnabled = false  //2
    
    speechRecognizer.delegate = self  //3
    
    SFSpeechRecognizer.requestAuthorization { (authStatus) in  //4
        
        var isButtonEnabled = false
        
        switch authStatus {  //5
        case .authorized:
            isButtonEnabled = true
            
        case .denied:
            isButtonEnabled = false
            print("User denied access to speech recognition")
            
        case .restricted:
            isButtonEnabled = false
            print("Speech recognition restricted on this device")
            
        case .notDetermined:
            isButtonEnabled = false
            print("Speech recognition not yet authorized")
        }
        
        OperationQueue.main.addOperation() {
            self.microphoneButton.isEnabled = isButtonEnabled
        }
    }
}

首先，創(chuàng)建一個帶有標(biāo)識符en-US 的 SFSpeechRecognizer實(shí)例，這樣語音識別API就能知道用戶說的是哪一種語言。這個實(shí)例就是處理語音識別的對象。
我們默認(rèn)讓microphone按鈕失效直到語音識別功能被激活。
接下來，把語音識別的代理設(shè)置為 self 也就是我們的ViewController.
之后，我們必須通過調(diào)用SFSpeechRecognizer.requestAuthorization方法來請求語音識別的授權(quán)。
最后，檢查驗(yàn)證的狀態(tài)。如果被授權(quán)了，讓microphone按鈕有效。如果沒有，打印錯誤信息然后讓microphone按鈕失效。
現(xiàn)在如果你認(rèn)為app跑起來之后你會看到一個授權(quán)彈出窗口，那你就錯了。如果運(yùn)行，app會崩潰。好吧，既然知道結(jié)果為什么還要問呢？看看下面解決方法。

提供授權(quán)消息

iOS10發(fā)布后蘋果要求app里所有的授權(quán)都要一個自定義的信息。例如語音授權(quán)，我們必須請求2個授權(quán)：

麥克風(fēng)使用權(quán)
語音識別
為了自定義信息，你必須在info.plist 配置文件里提供這些自定義消息。

讓我們打開 info.plist配置文件的源代碼。首先，右鍵點(diǎn)擊 info.plist。然后選擇Open As > Source Code。最后，拷貝下面的XML代碼然后在</dict>標(biāo)記前插入這段代碼（提示語言可以自定義）。

<key>NSMicrophoneUsageDescription</key>
    <string>獲取麥克風(fēng)權(quán)限！！</string>
<key>NSSpeechRecognitionUsageDescription</key>
    <string>獲取語音識別權(quán)限</string>

2.png現(xiàn)在你已經(jīng)在info.plist文件里添加了兩個鍵值：

(1) NSMicrophoneUsageDescription -為獲取麥克風(fēng)語音輸入授權(quán)的自定義消息。注意這個語音輸入授權(quán)僅僅只會在用戶點(diǎn)擊microphone按鈕時發(fā)生。
(2) NSSpeechRecognitionUsageDescription – 語音識別授權(quán)的自定義信息
可以自行更改這些消息的內(nèi)容。現(xiàn)在點(diǎn)擊Run按鈕，你應(yīng)該可以編譯和成功運(yùn)行app了，不會報(bào)任何錯誤。

注意：如果稍后在工程運(yùn)行完成時還沒有看到語音輸入授權(quán)框，那是因?yàn)槟闶窃谀M器上運(yùn)行的程序。iOS模擬器沒有權(quán)限進(jìn)入你Mac電腦的麥克風(fēng)。

處理語音識別

現(xiàn)在我們已經(jīng)實(shí)現(xiàn)了用戶授權(quán)，我們現(xiàn)在去實(shí)現(xiàn)語音識別功能。先從在 ViewController里定義下面的對象開始：

private var recognitionRequest: SFSpeechAudioBufferRecognitionRequest?
private var recognitionTask: SFSpeechRecognitionTask?
private let audioEngine = AVAudioEngine()

recognitionRequest對象處理了語音識別請求。它給語音識別提供了語音輸入。
reconition task對象告訴你語音識別對象的結(jié)果。擁有這個對象很方便因?yàn)槟憧梢杂盟鼊h除或者中斷任務(wù)。
audioEngine是你的語音引擎。它負(fù)責(zé)提供你的語音輸入。
接下來，創(chuàng)建一個新的方法名叫 startRecording()。

func startRecording() {
     
    if recognitionTask != nil {
        recognitionTask?.cancel()
        recognitionTask = nil
    }
     
    let audioSession = AVAudioSession.sharedInstance()
    do {
        try audioSession.setCategory(AVAudioSessionCategoryRecord)
        try audioSession.setMode(AVAudioSessionModeMeasurement)
        try audioSession.setActive(true, with: .notifyOthersOnDeactivation)
    } catch {
        print("audioSession properties weren't set because of an error.")
    }
     
    recognitionRequest = SFSpeechAudioBufferRecognitionRequest()
     
    guard let inputNode = audioEngine.inputNode else {
        fatalError("Audio engine has no input node")
    }
     
    guard let recognitionRequest = recognitionRequest else {
        fatalError("Unable to create an SFSpeechAudioBufferRecognitionRequest object")
    }
     
    recognitionRequest.shouldReportPartialResults = true
     
    recognitionTask = speechRecognizer.recognitionTask(with: recognitionRequest, resultHandler: { (result, error) in
         
        var isFinal = false
         
        if result != nil {
             
            self.textView.text = result?.bestTranscription.formattedString
            isFinal = (result?.isFinal)!
        }
         
        if error != nil || isFinal {
            self.audioEngine.stop()
            inputNode.removeTap(onBus: 0)
             
            self.recognitionRequest = nil
            self.recognitionTask = nil
             
            self.microphoneButton.isEnabled = true
        }
    })
     
    let recordingFormat = inputNode.outputFormat(forBus: 0)
    inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { (buffer, when) in
        self.recognitionRequest?.append(buffer)
    }
     
    audioEngine.prepare()
     
    do {
        try audioEngine.start()
    } catch {
        print("audioEngine couldn't start because of an error.")
    }
     
    textView.text = "Say something, I'm listening!"
     
}

這個方法會在Start Recording按鈕被點(diǎn)擊時調(diào)用。它主要功能是開啟語音識別然后聆聽你的麥克風(fēng)。我們一行行分析上面的代碼：

3-6行 – 檢查 recognitionTask 是否在運(yùn)行。如果在就取消任務(wù)和識別。
8-15行 – 創(chuàng)建一個 AVAudioSession來為記錄語音做準(zhǔn)備。在這里我們設(shè)置session的類別為recording，模式為measurement，然后激活它。注意設(shè)置這些屬性有可能會拋出異常，因此你必須把他們放入try catch語句里面。
17行 – 實(shí)例化recognitionRequest。在這里我們創(chuàng)建了SFSpeechAudioBufferRecognitionRequest對象。稍后我們利用它把語音數(shù)據(jù)傳到蘋果后臺。
19-21行 – 檢查 audioEngine（你的設(shè)備）是否有做錄音功能作為語音輸入。如果沒有，我們就報(bào)告一個錯誤。
23-25行 – 檢查recognitionRequest對象是否被實(shí)例化和不是nil。
27行– 當(dāng)用戶說話的時候讓recognitionRequest報(bào)告語音識別的部分結(jié)果 。
29行 – 調(diào)用 speechRecognizer的recognitionTask 方法來開啟語音識別。這個方法有一個completion handler回調(diào)。這個回調(diào)每次都會在識別引擎收到輸入的時候，完善了當(dāng)前識別的信息時候，或者被刪除或者停止的時候被調(diào)用，最后會返回一個最終的文本。
31行 – 定義一個布爾值決定識別是否已經(jīng)結(jié)束。
35行 – 如果結(jié)果 result 不是nil, 把 textView.text 的值設(shè)置為我們的最優(yōu)文本。如果結(jié)果是最終結(jié)果，設(shè)置 isFinal為true。
39-47行 – 如果沒有錯誤或者結(jié)果是最終結(jié)果，停止 audioEngine(語音輸入)并且停止 recognitionRequest 和 recognitionTask.同時，使Start Recording按鈕有效。
50-53行 – 向 recognitionRequest增加一個語音輸入。注意在開始了recognitionTask之后增加語音輸入是OK的。Speech Framework 會在語音輸入被加入的同時就開始進(jìn)行解析識別。
55行 – 準(zhǔn)備并且開始audioEngine。

觸發(fā)語音識別

我們需要保證當(dāng)創(chuàng)建一個語音識別任務(wù)的時候語音識別功能是可用的，因此我們必須給ViewController添加一個代理方法。如果語音輸入不可用或者改變了它的狀態(tài)，那么 microphoneButton.enable屬性就要被設(shè)置。針對這種情況，我們實(shí)現(xiàn)了SFSpeechRecognizerDelegate 協(xié)議的 availabilityDidChange 方法。實(shí)現(xiàn)內(nèi)容看下面：

func speechRecognizer(_ speechRecognizer: SFSpeechRecognizer, availabilityDidChange available: Bool) {
    if available {
        microphoneButton.isEnabled = true
    } else {
        microphoneButton.isEnabled = false
    }
}
這個方法會在可用性狀態(tài)改變時被調(diào)用。如果語音識別可用，那么記錄按鈕record會被設(shè)為可用狀態(tài)。

最后一件事就是我們必須更新響應(yīng)方法microphoneTapped(sender:):

@IBAction func microphoneTapped(_ sender: AnyObject) {
    if audioEngine.isRunning {
        audioEngine.stop()
        recognitionRequest?.endAudio()
        microphoneButton.isEnabled = false
        microphoneButton.setTitle("Start Recording", for: .normal)
    } else {
        startRecording()
        microphoneButton.setTitle("Stop Recording", for: .normal)
    }
}

在這個方法中，我們必須檢查 audioEngine是否正在工作。如果是，app應(yīng)該停止 audioEngine, 中止向recognitionRequest輸入音頻，讓microphoneButton按鈕不可用，并且設(shè)置按鈕的標(biāo)題為 “Start Recording”

如果 audioEngine 正在工作，app應(yīng)該調(diào)用 startRecording() 并且設(shè)置按鈕的標(biāo)題為 “Stop Recording”。

非常好！現(xiàn)在可以準(zhǔn)備測試app了。把a(bǔ)pp部署到一個iOS10的設(shè)備，然后點(diǎn)擊“Start Recording”按鈕。去說些什么吧！

注意:

1.蘋果公司對每個設(shè)備的識別功能都有限制。具體的限制并不知道，但是你可以
2.聯(lián)系蘋果公司了解更多信息。
3.蘋果公司對每個app也有識別功能限制。
4.如果你經(jīng)常遇到限制，請一定聯(lián)系蘋果公司，他們應(yīng)該可以解決問題。
5.語音識別會很耗電以及會使用很多數(shù)據(jù)。
6.語音識別一次只持續(xù)大概一分鐘時間。

總結(jié)

在這個教程中，你學(xué)習(xí)到了怎樣好好的利用蘋果公司開放給開發(fā)者的驚人的新語言API，用于語音識別并且轉(zhuǎn)換到文本。Speech framework 使用了跟Siri相同的語音識別框架。這是一個相對小的API。但是，它非常強(qiáng)大可以讓開發(fā)者們開發(fā)非凡的應(yīng)用比如轉(zhuǎn)換一個語音文件到文本文字。
最后，完整的項(xiàng)目地址請點(diǎn)擊這里
文／real潘（簡書作者）