iOS 18下SFSpeechRecognitionResult长停顿丢失历史转录内容求助

问题分析 #

这是iOS 18语音识别引擎的行为变更，并非你的代码错误——你的实现完全符合苹果官方示例。在iOS 18中，当使用SFSpeechAudioBufferRecognitionRequest进行实时语音识别时，系统会将较长的说话停顿判定为会话中断，导致非最终结果和最终结果都丢弃之前的转录内容，而iOS 17及以前版本会保留完整的连续转录。

解决方案 #

方案1：调整端点检测级别 #

通过设置SFSpeechRecognitionRequest的endpointDetectionLevel为.relaxed，让系统更宽松地判断说话结束的时机，避免将正常停顿误判为会话终止：

let request = SFSpeechAudioBufferRecognitionRequest()
// 添加这行代码调整端点检测策略
request.endpointDetectionLevel = .relaxed

let audioEngine = AVAudioEngine()
let inputNode = audioEngine.inputNode
let recordingFormat = inputNode.outputFormat(forBus: 0)
inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { buffer, when in
    request.append(buffer)
}

audioEngine.prepare()
try audioEngine.start()

方案2：手动维护转录历史 #

如果调整端点检测级别无效，需要自行维护全局的转录历史，避免系统重置内容时丢失之前的识别结果：

// 全局变量保存累计的转录内容
private var accumulatedTranscription = ""

func recognitionHandler(result: SFSpeechRecognitionResult?, error: Error?) {
    if let result {
        let currentTranscription = result.bestTranscription.formattedString
        if result.isFinal {
            // 最终结果直接覆盖累计内容
            accumulatedTranscription = currentTranscription
            print(accumulatedTranscription)
        } else {
            // 非最终结果：若当前内容未包含历史转录，则拼接
            if !currentTranscription.hasPrefix(accumulatedTranscription) && !accumulatedTranscription.isEmpty {
                accumulatedTranscription += " " + currentTranscription
            } else {
                accumulatedTranscription = currentTranscription
            }
            print(accumulatedTranscription)
        }
    } else if let error {
        print("识别错误：\(error.localizedDescription)")
    } else {
        print("识别任务结束")
    }
}

更精准的实现可以通过SFSpeechTranscriptionSegment的时间戳来判断新增片段，避免误拼接，但上述代码已能解决大部分场景的问题。

内容的提问来源于stack exchange，提问作者Robert Dresler