既然你已经熟悉iOS的Speech框架做实时的STT和TTS了，那处理本地音频文件其实是类似的思路，只是把实时输入换成本地文件的URL就行，我给你梳理下具体步骤和代码示例：

首先，咱们得确认几个前提：你已经在项目里导入了Speech框架，并且在Info.plist中配置了必要的权限（如果之前做实时STT已经配过，这步可以跳过）：

• 添加NSSpeechRecognitionUsageDescription，说明你的App为什么需要语音识别权限
• 添加NSMicrophoneUsageDescription（虽然处理本地文件可能用不到，但部分场景下系统可能仍会校验，建议加上）

1. 检查并请求语音识别权限 #

在处理音频之前，得确保用户已经授权了语音识别权限：

import Speech

func checkSpeechRecognitionPermission() {
    SFSpeechRecognizer.requestAuthorization { authStatus in
        DispatchQueue.main.async {
            switch authStatus {
            case .authorized:
                // 权限已获取，可以开始处理音频
                self.processLocalAudioFile()
            case .denied, .restricted, .notDetermined:
                // 权限未授权，提示用户去设置开启
                print("语音识别权限未授权，请在设置中开启")
            @unknown default:
                break
            }
        }
    }
}

2. 处理本地音频文件核心逻辑 #

使用SFSpeechURLRecognitionRequest可以直接传入本地音频文件的URL，不需要实时录音。这里假设你的音频文件已经保存在沙盒或者可访问的路径下：

func processLocalAudioFile() {
    // 替换成你的本地音频文件URL，比如从Documents目录获取
    guard let audioURL = Bundle.main.url(forResource: "conversation", withExtension: "wav") else {
        print("找不到目标音频文件")
        return
    }
    
    // 初始化语音识别请求
    let recognitionRequest = SFSpeechURLRecognitionRequest(url: audioURL)
    // 可选：设置是否返回中间识别结果（适合长音频实时看进度）
    recognitionRequest.shouldReportPartialResults = true
    
    // 初始化语音识别器，设置对应语言（比如中文是"zh-CN"，英文是"en-US"）
    guard let speechRecognizer = SFSpeechRecognizer(locale: Locale(identifier: "zh-CN")) else {
        print("当前设备不支持所选语言的语音识别")
        return
    }
    
    // 如果识别器暂时忙，等待可用
    if !speechRecognizer.isAvailable {
        print("语音识别器当前不可用，请稍后再试")
        return
    }
    
    // 发起识别请求
    speechRecognizer.recognitionTask(with: recognitionRequest) { result, error in
        guard let result = result else {
            print("识别出错：\(error?.localizedDescription ?? "未知错误")")
            return
        }
        
        // 获取当前识别结果（如果开启了partialResults，这里会实时返回中间内容）
        let transcribedText = result.bestTranscription.formattedString
        print("当前识别文本：\(transcribedText)")
        
        // 检查是否识别完成
        if result.isFinal {
            print("最终识别文本：\(transcribedText)")
            // 这里可以把结果保存到本地或者展示给用户
        }
    }
}

3. 常见问题与注意事项 #

• 音频格式兼容性：Speech框架支持WAV、MP4、AAC等常见格式，但推荐使用16kHz采样率、单声道的PCM编码音频，识别准确率更高。如果你的音频格式不被支持，可以用AVAssetExportSession转成兼容格式：

  func convertAudioToCompatibleFormat(inputURL: URL, outputURL: URL) {
      let asset = AVAsset(url: inputURL)
      guard let exportSession = AVAssetExportSession(asset: asset, presetName: AVAssetExportPresetAppleM4A) else {
          print("创建转码会话失败")
          return
      }
      exportSession.outputURL = outputURL
      exportSession.outputFileType = .m4a
      exportSession.exportAsynchronously {
          switch exportSession.status {
          case .completed:
              print("转码完成，新文件路径：\(outputURL)")
              // 转码完成后调用processLocalAudioFile处理新文件
          case .failed, .cancelled:
              print("转码失败：\(exportSession.error?.localizedDescription ?? "未知错误")")
          default:
              break
          }
      }
  }
  

• 语言匹配：确保SFSpeechRecognizer的locale和音频中的语言完全一致，否则识别准确率会大幅下降。
• 离线识别支持：如果需要无网络场景下使用，需要让用户先在系统设置中下载对应语言的离线识别包，并且初始化识别器时设置requiresOnDeviceRecognition = true。

内容的提问来源于stack exchange，提问作者Ali Ihsan URAL