核心基础问题解答 #

1. Android允许多个麦克风消费者同时工作吗？ #

Android的麦克风访问默认是独占式的——同一时间只能有一个App（或App内的一个实例）独占麦克风资源，这和iOS的音频会话共享机制有本质区别。iOS允许同一App内的多个音频消费者共享同一条输入流，甚至不同App也能通过音频会话协作共享，但Android的音频输入栈天生对独占性管控更严格，不同厂商的硬件实现还会放大这种差异。

2. 能不能在录音和识别之间共享同一条音频流？ #

当然可以，而且这是唯一正确的解决方案。你尝试的「用单个AudioRecord读取buffer，同时喂给Vosk和录音逻辑」方向没错，现在遇到的不稳定问题，大概率是配置、线程调度或buffer处理不当导致的，不是共享流本身的问题。

3. 为啥iOS能正常工作，Android不行？ #

核心是两个平台的音频架构设计差异：

• iOS的AudioSession系统天生支持音频流共享，只要配置正确，同一App内的录音和识别可以无缝复用同一条输入流
• Android的音频输入栈默认采用独占模式，加上硬件抽象层（HAL）的厂商定制化程度高，共享流时容易出现时序延迟、数据丢失问题，进而影响Vosk的识别精度

Android上同时录音+实时离线转录的推荐架构 #

标准方案：单音频流复用+线程分离 #

这是绝大多数正规App的实现方式，不需要特殊API，关键是做好配置和线程调度：

1. 统一音频源配置：把音频源从普通MIC改成MediaRecorder.AudioSource.VOICE_RECOGNITION——这个源是系统专门为语音识别优化的，会自动做降噪、自动增益等预处理，比普通MIC更适配Vosk模型，还能减少硬件层面的冲突概率
2. 单AudioRecord实例：只创建一个AudioRecord读取原始PCM buffer
3. 多线程并行处理：用线程池或独立工作线程分离三个核心逻辑，避免阻塞音频读取线程：
   • 主线程：控制录音启停、UI交互
   • 读取线程：专门负责从AudioRecord读取buffer，不做任何耗时操作
   • 处理分支1：把buffer写入文件（注意先复制buffer避免数据覆盖）
   • 处理分支2：把buffer喂给Vosk的recognizer做识别
4. 线程安全的buffer队列：用BlockingQueue缓存读取到的buffer，让两个处理分支异步消费，保证读取线程的实时性

代码实现示例（简化版） #

import java.util.concurrent.LinkedBlockingQueue
import android.media.AudioFormat
import android.media.AudioRecord
import android.media.MediaRecorder
import org.vosk.Model
import org.vosk.Recognizer
import java.io.FileOutputStream

// 线程安全的buffer队列，存储PCM数据和有效长度
val bufferQueue = LinkedBlockingQueue<Pair<ByteArray, Int>>()
val isRecording = java.util.concurrent.atomic.AtomicBoolean(true)

// 1. 启动音频读取线程（核心：只做读取，不做其他耗时操作）
Thread {
    val sampleRate = 16000 // Vosk模型默认推荐16kHz，必须匹配
    val bufferSize = AudioRecord.getMinBufferSize(
        sampleRate,
        AudioFormat.CHANNEL_IN_MONO,
        AudioFormat.ENCODING_PCM_16BIT
    ) * 2 // 缓冲加倍，避免数据丢失

    val recorder = AudioRecord(
        MediaRecorder.AudioSource.VOICE_RECOGNITION, // 改用优化后的音频源
        sampleRate,
        AudioFormat.CHANNEL_IN_MONO,
        AudioFormat.ENCODING_PCM_16BIT,
        bufferSize
    )

    recorder.startRecording()
    val tempBuffer = ByteArray(4096) // 合适的单次读取大小，适配16kHz采样率

    while (isRecording.get()) {
        val readLength = recorder.read(tempBuffer, 0, tempBuffer.size)
        if (readLength > 0) {
            // 复制buffer避免后续覆盖
            val copiedBuffer = tempBuffer.copyOf(readLength)
            bufferQueue.put(Pair(copiedBuffer, readLength))
        }
    }

    recorder.stop()
    recorder.release()
}.start()

// 2. 启动文件写入线程
Thread {
    val outputStream = FileOutputStream("/sdcard/recorded_audio.pcm")
    while (isRecording.get() || !bufferQueue.isEmpty()) {
        val (buffer, length) = bufferQueue.take()
        outputStream.write(buffer, 0, length)
    }
    outputStream.close()
    // 可选：把PCM转成WAV格式（需要手动写入RIFF文件头）
}.start()

// 3. 启动Vosk识别线程
Thread {
    val model = Model("/sdcard/vosk-model-small-en-us-0.15") // 替换为你的Vosk模型路径
    val recognizer = Recognizer(model, sampleRate.toFloat())

    while (isRecording.get() || !bufferQueue.isEmpty()) {
        val (buffer, length) = bufferQueue.take()
        recognizer.acceptWaveForm(buffer, length)
        val result = recognizer.result
        // 处理识别结果（比如回调到Flutter层更新UI）
        println("识别结果：$result")
    }

    recognizer.close()
    model.close()
}.start()

关于你提到的其他疑问 #

1. 那些App是怎么做到同时录音+转录的？ #

• 都是用单音频流复用的方式，没有黑科技
• 会优先用VOICE_RECOGNITION音频源，而不是普通MIC
• 不会使用未公开的系统API，都是基于标准的AudioRecord和识别库实现

2. iOS和Android的差异核心原因 #

主要是音频架构设计不同，和云端API、预处理的关系不大：

• iOS的音频会话天生支持共享，Android的音频输入默认独占
• 云端API（比如谷歌Speech-to-Text）会用系统级优化，但离线方案一样可以做到稳定，只是需要更注意配置和线程调度
• 高级预处理（降噪、AGC）会提升识别精度，但不是解决「同时工作」的核心原因

3. Vosk的精度问题 #

Vosk作为离线引擎，和在线引擎（比如谷歌Speech-to-Text）比确实有精度差距——在线引擎有更大的模型、云端实时优化，但这不是你现在遇到「不稳定」的主要原因。你当前的问题更多是线程调度、音频源配置或buffer处理不当导致的时序问题，进而影响了识别精度。

4. 你遇到的不稳定问题的可能原因 #

• 音频源用了普通MIC，缺少系统级预处理
• 读取线程被阻塞：比如在读取线程里直接做文件写入或Vosk识别，导致读取不及时，buffer丢失
• 采样率不匹配：Vosk模型默认是16kHz，如果你的AudioRecord用了其他采样率（比如44.1kHz），会导致识别精度急剧下降
• buffer大小不合适：太小会导致频繁读取，太大会导致延迟过高，Vosk推荐用基于16kHz采样率的4096/8192字节buffer

最终实现建议 #

1. 优先配置VOICE_RECOGNITION音频源，匹配Vosk模型的16kHz采样率
2. 严格分离读取线程和处理线程，用BlockingQueue做buffer缓存
3. 测试不同设备：Android厂商的音频HAL定制化程度高，部分设备可能需要微调buffer大小或采样率
4. 可选添加基础预处理：比如用Android的AudioEffect API做简单降噪，进一步提升Vosk的识别精度