iOS15中SFSpeechURLRecognitionRequest仅识别音频首句 如何实现完整转录

你当前代码的核心问题是SFSpeechRecognizer实例被声明为函数内的局部变量，函数执行完成后实例会被ARC自动释放，正在运行的识别任务会直接被中断，所以只能拿到前几秒/第一句的识别结果。
另外还有几个容易触发识别不完整的配置问题也需要修正：

• 没有提前申请语音识别权限就直接调用识别接口
• 未对识别过程中的错误、终止状态做完整捕获
• 单次识别默认最大时长限制为1分钟，超过时长的音频需要额外处理

首先需要在项目的Info.plist中添加权限声明：

• 键：NSSpeechRecognitionUsageDescription，值填你自己的权限申请文案，比如「需要语音识别权限完成音频转文字」

import Speech

// 将识别器和识别任务声明为类的全局属性，避免被提前释放
private var speechRecognizer: SFSpeechRecognizer?
private var recognitionTask: SFSpeechRecognitionTask?

func transcribeAudio(url: URL) {
    // 先校验语音识别权限
    SFSpeechRecognizer.requestAuthorization { [weak self] authStatus in
        guard authStatus == .authorized else {
            print("语音识别权限未授权")
            return
        }
        
        // 初始化识别器，可根据需要指定语言，比如简体中文对应zh_CN，英文对应en_US
        self?.speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh_CN"))
        guard let recognizer = self?.speechRecognizer, recognizer.isAvailable else {
            print("当前设备不支持离线语音识别")
            return
        }
        
        let request = SFSpeechURLRecognitionRequest(url: url)
        request.requiresOnDeviceRecognition = true
        request.taskHint = .dictation
        // 只需要最终结果保持false即可，需要实时获取部分识别结果可设为true
        request.shouldReportPartialResults = false
        
        // 持有识别任务实例
        self?.recognitionTask = recognizer.recognitionTask(with: request) { result, error in
            // 识别结束后自动释放资源
            defer {
                self?.speechRecognizer = nil
                self?.recognitionTask = nil
            }
            
            if let error = error {
                print("识别出错: \(error.localizedDescription)")
                return
            }
            
            guard let result = result else {
                print("未获取到有效识别结果")
                return
            }
            
            if result.isFinal {
                print("完整识别结果：\(result.bestTranscription.formattedString)")
            }
        }
    }
}

如果你的音频时长超过系统默认的1分钟识别限制，需要先将音频按30-50秒的长度切片，再依次对每个切片做识别，最后拼接所有切片的识别结果即可。

内容的提问来源于stack exchange，提问作者Olexander Korenyuk