调用Google手机版语音识别服务

转载请注明出处

项目代码https://github.com/zuoshu/android-voicesearch-opensource.git

调用google手机版语音识别云服务，3g网络下速度快，流量小，识别准，无弹出框。

由于项目需要用到语音识别，选用google的语音识别服务，现在一般的做法是将语音通过post发到http://www.google.com/speech-api/v1/recognize?lang=en-us，再从返回里面取识别结果。在wifi的情况下速度还可以接受，但是在3g的情况下速度很慢。和Android上的VoiceSearch比起来慢很多。看了下VoiceSearch的log,发现voicesearch连接的其实是www.google.com/m/voice-search。一般的做法最初是从chrome开源代码里面找到的，而VoiceSearch属于android平台，在google内部这两个产品分属两个不同的团队，猜测后台的语音识别服务其实实现了两套？总而言之，android/ios和chrome使用的语音识别是不一样的，并且android/ios的速度要快很多。

但是，VoiceSearch不开源，没办法，只能从反编译apk入手，有些地方反编译也没办法，过程比较费劲，直接上结果。

这个是使用www.google.com/speech-api/v1/recognize作为语音识别服务的结果，3g网络下用时2878ms

这个是使用www.google.com/m/voice-search作为语音识别服务的结果，3g网络下用时828ms

 速度相差3倍左右，多次测试发现，后一种基本上会在2秒内返回结果，前一种长的时候会要10多秒。

VoiceSearch具体的工作原理如何？稍后上分析过程，这里直接上工作原理。

VoiceSearch采用protobuf作为数据传输协议。发送语音的过程使用protobuf包装数据，然后通过http或tcp发送。

协议大致包括Alternates,ClientParametersProto,ClientReportProto,GoogleSearchRequest,IntentApi,PartialResult,RecognitionContextProto,RecognitionResultSet,SpeechService,VoiceSearch

具体流程如下

1.建立session

客户端先手机手机上的一些信息，比如地区，系统等，然后生成一个SpeechService.CreateSessionRequest的协议包，通过post发送到www.google.com/m/voice-search，将返回的结果以SpeechService.CreateSessionResponse来解析，结果里面包含ip,port,stunid三个重要的信息。用这个ip和port建立socket连接，在识别结束之前，socket一直不关闭。用stunId生成一个StunPacket（这里用的不是protobuf）

private static byte[] createStunBindingRequest(String stunId)
		throws UnsupportedEncodingException {
	StunPacket packet = new StunPacket(
			StunMessageType.STUN_BINDING_REQUEST);
	StunAttribute stunAttribute = new StunAttribute(
			StunAttributeType.STUN_ATTR_USERNAME);
	stunAttribute.setData(new StunAttribute.Username(stunId));
	packet.addAttribute(stunAttribute);
	return packet.asByteArray();
}

 将StunPacket发送给服务器，服务器会有一个返回。这时，session就建立了。

2.录音

录音编码这部分也有特殊处理。先通过AudioRecord录制原始数据

mAudioRecord = new AudioRecord(6, sampleRateInHz, 16, 2, Math.max(
				AudioRecord.getMinBufferSize(sampleRateInHz, 16, 2),
				bufferSizeInBytes));

 packetSize为320。再通过AMR_NB压缩

3.发送数据

一个320byte的原始数据被压缩为32byte的AMR_NB数据，每448的AMR_NB数据发送一次，用448byte的AMR_NB数据生成一个SpeechService.MediaData，通过socket发送到服务器。

4.获取结果

建立连接后，发送语音数据的时候，服务器会不定时返回一个SpeechService.RecognizeAck数据包，不管就可以。录音结束时，发送一个空数据的SpeechService.MediaData数据包。服务器会返回一个SpeechService.RecognizeResponse数据包。识别结果都包含在里面。结束之后，客户端发送一个DestroySession的数据包关闭session。

5.其他参数

在建立session的时候，可以通过一个参数setEnablePartialResults来设置是否返回partial result，如果设置true，则可以一边说，一边有识别结果返回。

可以通过setLanguage来设置语言，"en-US"为英文，"zh-CN"为中文。

先放apk和协议，项目稍后放出，见附件apk_and_protos.rar，其中voice1.apk为使用速度快的语音识别，voice2.apk为使用速度慢的语音识别