适用AI工具：DevEco Code / Cursor
前置博客：第02篇
预计阅读时间：20分钟

一、端侧语音：为什么值得鸿蒙开发者认真做

Core Speech Kit 提供端侧语音识别（ASR）与语音合成（TTS）能力，两大卖点：离线可用与数据不出设备。对会议记录、驾驶场景、无障碍等应用，这不仅是功能，更是合规刚需。

端侧方案与云端的取舍很简单：短指令、隐私敏感、弱网环境用端侧；超长音频转写、多语种混说可走云端补充。本篇聚焦端侧完整实现。

二、能力全景与调用链路

三、ASR：语音转文字完整实现

3.1 权限与引擎创建

先在 module.json5 声明麦克风权限，并做运行时动态申请：

"requestPermissions": [{
  "name": "ohos.permission.MICROPHONE",
  "reason": "$string:mic_reason",
  "usedScene": { "abilities": ["EntryAbility"], "when": "inuse" }
}]

创建识别引擎并启动监听：

import { speechRecognizer } from '@kit.CoreSpeechKit';

let engine: speechRecognizer.SpeechRecognitionEngine;

async function startAsr(context: Context): Promise<void> {
  const extraParam: Record<string, Object> = {
    'locate': 'CN', 'recognizerMode': 'short'   // 短句模式，实时性最好
  };
  const initInfo: speechRecognizer.CreateEngineParams = {
    language: 'zh-CN',
    online: 1,                                   // 端侧引擎
    extraParams: extraParam
  };
  engine = await speechRecognizer.createEngine(initInfo);

  engine.on('result', (event: speechRecognizer.SpeechRecognitionResult) => {
    // isLast 为 false 时是中间结果，可做"边说边显示"
    this.recognizedText = event.result;
  });
  engine.on('error', (err) => {
    // 常见错误码：9400002 无录音权限 / 9400003 引擎忙
    this.handleAsrError(err);
  });

  engine.startListening({ sessionId: this.sessionId, audioInfo: null, extraParams: null });
}

3.2 AI 用法：错误分支与状态机生成

ASR 的业务难点不在主流程，而在错误分支与 UI 状态机（录音中/识别中/无权限/引擎忙的互斥切换）。这是 AI 最擅长的机械活：

为 ASR 功能生成完整状态机：Idle→Requesting→Listening→Recognizing→Error。
错误码 9400002 引导用户去设置开权限，9400003 延迟重试并设置最大3次。
生成 ArkTS 状态管理代码与对应 UI 提示。

AI 生成的状态机 + 权限引导 UI 直接可用，人工只需补业务文案。实测这类"状态机 + 错误引导"交给 AI，比手写节省一半时间，且分支覆盖更全（人容易漏"连续两次引擎忙"这种边角）。

3.3 离线识别与多方言

端侧引擎支持离线识别，弱网/无网自动走本地模型，代码无需区分——online: 1 的引擎创建后由系统智能调度。方言方面，主流方言（粤语、四川话等）已进入识别语言列表，AI 可帮你查 Kit 文档生成当前支持的方言清单与对应 locale 参数表，避免硬编码踩空。

四、TTS：语音合成与播报

import { textToSpeech } from '@kit.CoreSpeechKit';

async function speak(context: Context, text: string): Promise<void> {
  const engine = await textToSpeech.createEngine({
    language: 'zh-CN', online: 1,
    extraParams: { style: 'interaction-broadcast', locate: 'CN', name: 'EngineName' }
  });
  const params: textToSpeech.SpeakParams = {
    requestId: this.reqId,
    extraParams: {
      speed: 1.0, volume: 1.0, pitch: 1.0,
      soundChannel: textToSpeech.SpeechAudioChannel.AUDIO_MUSIC  // 走媒体通道，可后台播
    }
  };
  engine.speak(text, params);
}

注意 soundChannel 的选择：导航提示类走默认音频通道即可；长内容朗读（听文章）用 AUDIO_MUSIC 媒体通道，配合后台任务保活，锁屏不中断。

五、组合实战：会议速记

ASR + TTS 组合的经典场景是会议速记：实时转写上屏 + 关键节点语音确认。架构要点：

• ASR 中间结果高频刷新 UI 时，节流到 300ms 更新一次，避免渲染抖动
• 转写文本分段落缓存到 preferences，异常退出可恢复
• 结束后把文本交给 AI 做摘要——这也是 2026 年很成熟的玩法：端侧 Kit 拿原始数据，云端 LLM 做增值处理

给 AI 的组合指令示例：

实现会议速记页：ASR 实时转写（300ms 节流上屏）、暂停/继续、
结束后生成摘要（调用云端接口）。生成页面代码与数据持久化层。

六、避坑清单

• 引擎是重资源：createEngine 耗时且占内存，全局复用一个实例，页面销毁只 stop 不 shutdown。
• 中间结果别直接存库：等 isLast: true 的最终结果再持久化，否则同一句话会存多遍。
• 权限被拒后的引导：9400002 错误要给出"去设置"入口，纯 toast 用户会以为是功能坏了。
• 录音指示器：系统会在状态栏展示录音图标，应用内再加一个明确的录音状态 UI，避免用户困惑。

七、下一步

语音之后是视觉。下一篇 Core Vision Kit：人脸检测、文字识别与图像超分的实战集成。

---