Core Speech Kit简介

概述

Core Speech Kit（基础语音服务）是鸿蒙系统集成的语音类基础AI能力，提供文本转语音（TextToSpeech）及语音识别（SpeechRecognizer）两大核心功能。该服务便于用户与设备进行自然语言交互，实现实时语音与文本之间的双向转换。

核心功能

文本转语音（TTS）

将不超过10000字数的文本合成为语音并进行播报，支持多种音色和播报策略配置。

主要特性：

• 支持中文、英文（简体中文、繁体中文、中文语境下的英文）

• 提供三种音色：聆小珊女声音色、英语（美国）劳拉女声音色、凌飞哲男声音色

• 支持单词播报、数字播报、静音停顿、汉字发音策略等播报策略

• 适用于无障碍服务、屏幕朗读、新闻播报等场景

语音识别（ASR）

将音频信息转换为文本，支持短语音模式（不超过60s）和长语音模式（不超过8h）。

主要特性：

• 支持中文普通话识别

• 采用离线模型，无需网络连接

• 支持PCM音频文件和实时语音输入

• 适用于听障人士辅助、会议记录、语音输入等场景

应用场景

无障碍服务

• 视障人士辅助：系统应用无障碍（屏幕朗读）接入文本转语音能力，为视障人士提供播报服务

• 听障人士辅助：为听障人士或不方便收听音频的场景提供音频转文本能力

智能交互

• 语音输入：将用户语音实时转换为文本，提升输入效率

• 语音播报：将文本内容以语音形式播报，增强用户体验

• 会议记录：长语音模式支持会议录音转文字

系统集成

• 系统通知：重要通知以语音形式播报

• 导航播报：导航信息语音播报

• 新闻阅读：新闻内容自动播报

技术架构

开发环境要求

• 设备限制：仅适用于中国境内（不包含中国香港、中国澳门、中国台湾）的Phone、Tablet、PC/2in1

• 系统要求：HarmonyOS 5.0+

• 开发工具：DevEco Studio 5.0.7.210+

核心API结构

// 文本转语音
import { textToSpeech } from '@kit.CoreSpeechKit';

// 语音识别
import { speechRecognizer } from '@kit.CoreSpeechKit';

开发指南

文本转语音开发流程

1. 创建引擎

let ttsEngine: textToSpeech.TextToSpeechEngine;
let initParamsInfo: textToSpeech.CreateEngineParams = {
  language: 'zh-CN',
  person: 0,
  online: 1,
  extraParams: {"style": 'interaction-broadcast', "locate": 'CN'}
};

textToSpeech.createEngine(initParamsInfo, (err, engine) => {
  if (!err) {
    ttsEngine = engine;
  }
});

2. 设置播报参数

let speakParams: textToSpeech.SpeakParams = {
  requestId: '123456',
  extraParams: {
    "queueMode": 0,
    "speed": 1,
    "volume": 2,
    "pitch": 1
  }
};

3. 执行播报

ttsEngine.speak("Hello HarmonyOS", speakParams);

语音识别开发流程

4. 创建识别引擎

let asrEngine: speechRecognizer.SpeechRecognitionEngine;
let initParamsInfo: speechRecognizer.CreateEngineParams = {
  language: 'zh-CN',
  online: 1,
  extraParams: {"locate": "CN", "recognizerMode": "short"}
};

speechRecognizer.createEngine(initParamsInfo, (err, engine) => {
  if (!err) {
    asrEngine = engine;
  }
});

5. 设置识别参数

let recognizerParams: speechRecognizer.StartParams = {
  sessionId: '123456',
  audioInfo: {
    audioType: 'pcm',
    sampleRate: 16000,
    soundChannel: 1,
    sampleBit: 16
  }
};

6. 开始识别

asrEngine.startListening(recognizerParams);

播报策略配置

单词播报方式

• [h0]：智能判断单词播放方式（默认）

• [h1]：逐个字母进行播报

• [h2]：以单词方式进行播报

数字播报策略

• [n0]：智能判断数字处理策略（默认）

• [n1]：作为号码逐个数字播报

• [n2]：作为数值播报

静音停顿

• [pN]：插入N毫秒的静音停顿

汉字发音指定

• [=MN]：M表示拼音，N表示声调（1-5）

权限配置

麦克风权限

{
  "requestPermissions": [
    {
      "name": "ohos.permission.MICROPHONE",
      "reason": "$string:reason",
      "usedScene": {
        "abilities": ["EntryAbility"],
        "when": "inuse"
      }
    }
  ]
}

性能优化

内存管理

• 及时释放引擎资源，避免内存泄漏

• 合理设置音频缓冲区大小

• 避免同时创建多个引擎实例

音频处理

• 使用合适的音频格式（PCM 16kHz 单声道）

• 控制音频流大小（640或1280字节）

• 实现音频流分块处理

错误处理

• 完善的异常捕获机制

• 网络异常时的降级处理

• 用户友好的错误提示

隐私保护

数据处理原则

• 云端不存储：用户数据不在云端存储

• 本地处理：语音识别采用离线模型

• 最小权限：仅申请必要的麦克风权限

个人数据清单

• 音频数据：用于语音识别，不留存

• 文本数据：用于文本转语音，不留存

合规要求

• 在隐私政策中告知用户数据处理方式

• 获取用户明确同意

• 支持用户数据主体权利

最佳实践

用户体验优化

• 播报策略：根据内容类型选择合适的播报策略
• 音色选择：提供多种音色供用户选择
• 速度调节：支持播报速度自定义
• 音量控制：适配系统音量设置

开发建议

• 资源管理：及时释放引擎资源
• 错误处理：完善的异常处理机制
• 性能监控：监控内存使用和响应时间
• 兼容性测试：在不同设备上测试功能

总结

Core Speech Kit为鸿蒙应用提供了强大的语音交互能力，通过文本转语音和语音识别两大核心功能，能够显著提升应用的用户体验。开发者可以根据具体需求选择合适的配置和策略，构建功能完善、性能稳定的语音应用。

参考资源

• Core Speech Kit API参考

• 鸿蒙应用开发指南

• 语音服务最佳实践

---

更新时间：2025-07-11 16:01
版本：HarmonyOS 5.0+
适用范围：中国境内Phone、Tablet、PC/2in1设备

---

🎯 想入门鸿蒙开发又怕花冤枉钱？别错过！

现在能免费系统学 —— 从 ArkTS 面向对象核心的类和对象、继承多态，到吃透鸿蒙开发关键技能，还能冲刺鸿蒙基础 + 高级开发者证书，更惊喜的是考证成功还送好礼！快加入我的鸿蒙班，一起从入门到精通！

班级链接：鸿蒙开发训练营