如何从.NET MAUI CommunityToolkit离线SpeechToText获取原始音频数据？

当前版本的.NET MAUI CommunityToolkit的ISpeechToText/OfflineSpeechToText并未直接提供获取原始音频流的API，它的核心设计目标是输出语音转文本的结果，而非暴露底层音频数据。不过你可以通过以下两种方案实现需求：

方案1：独立捕获音频流，并行处理STT与AI分析 #

直接使用.NET MAUI原生音频录制API（或第三方专业音频库）捕获原始音频数据，再将数据同时传入你的AI分析库，以及CommunityToolkit的SpeechToText组件（如果仍需要语音转文本功能）。

示例思路（伪代码）：

// 初始化原生音频录制器，用于获取原始音频字节流
var audioRecorder = AudioRecorder.Default;
audioRecorder.RecordingDataReceived += (sender, args) =>
{
    // 将原始音频数据传入AI库处理
    YourAIModel.ProcessRawAudio(args.AudioData);
};

// 启动音频录制
await audioRecorder.StartRecordingAsync();

// 同时启动CommunityToolkit的离线语音转文本
await speechToText.StartListenAsync(new SpeechToTextOptions
{
    Culture = CultureInfo.CurrentCulture,
    ShouldReportPartialResults = true
}, CancellationToken.None);

方案2：扩展CommunityToolkit的SpeechToText实现 #

如果必须基于现有CommunityToolkit的STT组件，你可以参考其开源代码，对各平台的原生实现进行扩展：

• 在Android平台，修改SpeechRecognizer相关逻辑，添加原始音频数据的回调
• 在iOS平台，通过SFSpeechRecognitionEngine的代理方法捕获音频数据
• 自定义实现ISpeechToText接口，新增AudioDataReceived事件，在捕获到原始音频时触发，供AI库订阅

补充提示 #

• 若你此前已实现唤醒词检测，大概率已经在使用音频录制组件，直接复用该组件的音频流即可，无需依赖STT组件的音频数据
• 注意匹配AI库要求的音频格式：多数AI模型需要特定的采样率（如16kHz）、位深（如16bit）、声道数（如单声道），确保录制的音频参数符合要求

内容的提问来源于stack exchange，提问作者Gratzy