避开Google Voice Search利用Google Speech API实现Android语音识别之原理

最近在做一款Android下的语音识别软件。Android下面的语音识别做起来很容易，只需要调用Google的Voice Search就可以了，具体方法如下：

http://www.cnblogs.com/TerryBlog/archive/2010/11/12/1875875.html

使用Voice Search提供的接口虽然能很方便地实现语音识别，但是却要额外安装2M多的Voice Search，很不方便。能不能不借助Voice Search实现语音识别呢？

Voice Search的语音识别是在云端识别的，那么必然就有网络接口，只是Google没有公开而已。使用强大的Google搜索了一下，还真发现了一篇介绍这个接口的文章：http://blog.csdn.net/dlangu0393/article/details/7214728。

根据文章的描述，Gogole语音识别的网络接口地址是：

http://www.google.com/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1

这个接口在国外应该可以，但是在国内就要把www.google.com换成www.google.com.hk,于是接口地址改成这样：

http://www.google.com.hk/speech-api/v1/recognize?xjerr=1&client=chromium&lang=zh-CN&maxresults=1（其中lang参数表示的是语言类型，maxresults表示的是最多返回多少个结果）

接口找到了，那么直接上代码吧：

一、识别所需的音频信息采集

根据文章作者的描述，需要把语音信息通过POST方式传给服务端，并且只支持wav和SPEEX这两种格式的语音。而Android上，有两个可以录音的类：MediaRecorder和AudioRecorder。前者可以录制amr格式的录音，而后者比较底层，可以录制pcm格式的录音。pcm到wav的转换相当简单，只需要加一个头信息就可以了。因此采用AudioRecorder类录音。录音的关键代码如下：

mPCMSize = 0;

int readed = 0;

int bufferSize = AudioRecord.getMinBufferSize(mFrequence,

CHANNEL_CONFIG, AUDIO_ENCODING);

byte[] buffer = new byte[bufferSize];

AudioRecord recorder = new AudioRecord(

MediaRecorder.AudioSource.MIC, mFrequence, CHANNEL_CONFIG,

AUDIO_ENCODING, bufferSize);

recorder.startRecording();

while (mRecordLock) {

    readed = recorder.read(buffer, 0, buffer.length);

    if (mMaxVoiceSize < readed + mPCMSize) {

        stop();

        continue;

    }

    byteCopy(mPCMSize, readed, buffer, mPcmData);

    mPCMSize += readed;

}

recorder.stop();

recorder.release();

recorder = null;

其中 mMaxVoiceSize是音频缓存的最大大小，mPcmData 是一个mMaxVoiceSize大小的byte数组，用来缓存音频信息。本程序mMaxVoiceSize的值为200k，设置的比较大。一般的音频数据只要30k的缓存就足够了。mPCMSize是语音数据的总大小。

二、pcm转wav

wav其实就是一种特殊的pcm，pcm转wav只需要在pcm原始数据之前加上一段44字节的描述音频数据的头即可。Wav格式文件头说明如下：

偏移地址	字节数	数据类型	内   容
00H	4	char	"RIFF"标志
04H	4	long int	文件长度
08H	4	char	"WAVE"标志
0CH	4	char	"fmt"标志
10H	4		过渡字节（不定）
14H	2	int	格式类别（0x0001H为PCM形式的声音数据)
16H	2	int	通道数，单声道为1，双声道为2
18H	2	int	采样率（每秒样本数），表示每个通道的播放速度，
1CH	4	long int	波形音频数据传送速率，其值为通道数×每秒数据位数×每样本的数据位数／8。播放软件利用此值可以估计缓冲区的大小。
20H	2	int	数据块的调整数（按字节算的），其值为通道数×每样本的数据位值／8。播放软件需要一次处理多个该值大小的字节数据，以便将其值用于缓冲区的调整。
22H	2		每样本的数据位数，表示每个声道中各个样本的数据位数。如果有多个声道，对每个声道而言，样本大小都一样。
24H	4	char	数据标记符＂data＂
28H	4	long int	语音数据的长度

代码如下：

private class WaveHeader {

    public static final int HEAD_LENGTH = 44;

    public final char dataType[] = { 'R', 'I', 'F', 'F' };

    public int dataLength;

    public char wave[] = { 'W', 'A', 'V', 'E' };

    public char fmt[] = { 'f', 'm', 't', ' ' };

    public int fmtHeadLength;

    public short format;

    public short channels;

    public int frequence;

    public int tranSpeed;

    public short blockAlign;

    public short bits;

    public char data[] = { 'd', 'a', 't', 'a' };

    public int pcmLength;

    public WaveHeader() {

    }

    public byte[] getHeader() {

        byte[] head = new byte[HEAD_LENGTH];

        int position = 0;

         position += writeChars(head, dataType, position);

         position += writeInt(head, dataLength, position);

         position += writeChars(head, wave, position);

         position += writeChars(head, fmt, position);

         position += writeInt(head, fmtHeadLength, position);

         position += writeShort(head, format, position);

         position += writeShort(head, channels, position);

         position += writeInt(head, frequence, position);

         position += writeInt(head, tranSpeed, position);

         position += writeShort(head, blockAlign, position);

         position += writeShort(head, bits, position);

         position += writeChars(head, data, position);

         position += writeInt(head, pcmLength, position);

        return head;

    }

    private int writeChars(byte[] head, char[] chars, int start) {

        for (int i = 0; i < 4; i++) {

            head[i + start] = (byte) chars[i];

        }

       return 4;

    }

    private int writeInt(byte[] head, int value, int start) {  

        int i = start;

         start += 4;

        while (i < start) {

             head[i] = (byte) value;

             value >>= 8;

             i++;

         }

        return 4;

     }

    private int writeShort(byte[] head, short value, int start) {

        int i = start;

        start += 2;

        while (i < start) {

            head[i] = (byte) value;

            value >>= 8;

            i++;

        }

       return 2;

    }

}

通过getHeader()方法获得文件头之后，把这个头放在pcm数据之前就可以了。

三、wav格式语音数据上传

核心代码如下：

URL httpUrl = null;

httpUrl = new URL(getApiUrl());

HttpURLConnection urlConnection = null;

urlConnection = (HttpURLConnection) httpUrl.openConnection();

urlConnection.setConnectTimeout(HTTP_CONNECT_TIMEOUT);

urlConnection.setReadTimeout(HTTP_READ_TIMEOUT);

urlConnection.setDoOutput(true);

urlConnection.setDoInput(true);

urlConnection.setUseCaches(false);

urlConnection.setRequestMethod("POST");

urlConnection.setAllowUserInteraction(true);

urlConnection.setRequestProperty("User-Agent", "Mozilla/5.0");

urlConnection.setRequestProperty("Content-Type", "audio/L16; rate="

+ mFrequence);

urlConnection.setRequestProperty("Connection", "Keep-Alive");

OutputStream outputStream = urlConnection.getOutputStream();

outputStream.write(mVoiceData);

四、JSON解析

返回结果的一个典型的JSONObject为：

{"status":0,"id":"1ab4d16b0e55172689edaa8c1d2acb99-1",
"hypotheses":[
{"utterance":"明天早上九点开会","confidence":0.2452792},
{"utterance":"明天早上 9 点开会"},
{"utterance":"明天早上九点开会了"},
{"utterance":"明天早上九点开会呢"},
{"utterance":"明天早上九点开会吗"},
{"utterance":"明天早上九点开会啦"},
{"utterance":"明天早上九点开会儿"},
{"utterance":"明天早上九点开会啊"},
{"utterance":"明天早上九点开会的"},
{"utterance":"明天早上 9 点开会吗"}]}

其中hypotheses数组里面存放的就是结果，使用Android的JSONObject类和JSONArray类很容易就能解析出结果。