SwiftUI中南非语语音转文本替代方案咨询

一、云端API方案 #

• Google Cloud Speech-to-Text：支持南非语（af-ZA），可通过HTTP请求或官方SDK集成。Swift项目中可用URLSession直接调用API，或通过CocoaPods引入客户端库。注意保护API密钥，建议通过后台代理发起请求，避免客户端暴露密钥。
• Microsoft Azure Speech Service：同样支持南非语，提供Swift SDK，集成流程简单，支持实时与批量转写，能适配不同口音差异。

二、本地离线方案 #

• Vosk：开源离线语音识别工具，有预训练的南非语模型。可通过CocoaPods引入Vosk iOS库，在SwiftUI中封装识别逻辑，无需网络即可运行。缺点是模型文件较大，需考虑APP包体积优化（比如按需下载）。
• Whisper.cpp：OpenAI Whisper模型的C++移植版，支持南非语，可编译为iOS静态库集成到Swift项目。需自行编译适配ARM64架构，或使用现成Swift封装库，适合对离线识别精度要求较高的场景。

三、SwiftUI集成示例（以Vosk为例） #

1. 在Podfile中添加依赖：

pod 'Vosk'

2. 下载南非语模型，拖入项目并设置为“Copy if needed”。
3. 创建语音识别管理器类：

import Foundation
import Vosk
import AVFoundation

class SpeechRecognizer: ObservableObject {
    private let model: OpaquePointer?
    private let recognizer: OpaquePointer?
    private var audioEngine = AVAudioEngine()
    
    @Published var transcription = ""
    
    init() {
        guard let modelPath = Bundle.main.path(forResource: "vosk-model-af-zala-v0.1", ofType: nil) else {
            model = nil
            recognizer = nil
            return
        }
        model = vosk_model_new(modelPath)
        recognizer = vosk_recognizer_new(model, 16000.0)
        vosk_recognizer_set_words(recognizer, 1)
    }
    
    func startRecording() {
        let inputNode = audioEngine.inputNode
        let recordingFormat = inputNode.outputFormat(forBus: 0)
        
        inputNode.installTap(onBus: 0, bufferSize: 4096, format: recordingFormat) { buffer, _ in
            guard let recognizer = self.recognizer else { return }
            let data = buffer.data
            let length = Int(buffer.frameLength * buffer.format.streamDescription.pointee.mBytesPerFrame)
            if vosk_recognizer_accept_waveform(recognizer, data, Int32(length)) != 0 {
                let result = String(cString: vosk_recognizer_result(recognizer))
                DispatchQueue.main.async {
                    self.transcription = result
                }
            } else {
                let partial = String(cString: vosk_recognizer_partial_result(recognizer))
                DispatchQueue.main.async {
                    self.transcription = partial
                }
            }
        }
        
        audioEngine.prepare()
        try? audioEngine.start()
    }
    
    func stopRecording() {
        audioEngine.stop()
        audioEngine.inputNode.removeTap(onBus: 0)
    }
    
    deinit {
        vosk_recognizer_free(recognizer)
        vosk_model_free(model)
    }
}

4. 在SwiftUI视图中调用：

struct ContentView: View {
    @StateObject var speechRecognizer = SpeechRecognizer()
    @State var isRecording = false
    
    var body: some View {
        VStack(spacing: 20) {
            Text(speechRecognizer.transcription)
                .padding()
                .border(.gray)
            
            Button(action: {
                isRecording.toggle()
                if isRecording {
                    speechRecognizer.startRecording()
                } else {
                    speechRecognizer.stopRecording()
                }
            }) {
                Text(isRecording ? "停止录音" : "开始录音")
                    .padding()
                    .background(isRecording ? .red : .blue)
                    .foregroundColor(.white)
                    .cornerRadius(8)
            }
        }
        .onAppear {
            requestAudioPermission()
        }
    }
    
    private func requestAudioPermission() {
        AVAudioSession.sharedInstance().requestRecordPermission { granted in
            if !granted {
                DispatchQueue.main.async {
                    // 提示用户开启麦克风权限
                }
            }
        }
    }
}

四、注意事项 #

• 云端API需处理网络异常与配额限制，建议添加缓存和重试机制。
• 离线模型需注意APP包大小，Vosk南非语模型约1.5G，建议采用按需下载方式，首次启动后提示用户下载模型。
• 所有方案都需申请麦克风权限，在Info.plist中添加NSMicrophoneUsageDescription字段。

内容的提问来源于stack exchange，提问作者anika jannat