手机离线语音助手实战：端侧识别与朗读怎么搭

用Google AI Edge Gallery思路搭建手机端离线语音识别和语音合成，兼顾隐私、延迟与能耗。

为什么把语音留在手机上

语音助手通常包含录音、识别、理解、执行和播报五个环节。全部依赖云端会受到网络、延迟、费用和隐私影响，尤其是会议、家庭和个人备忘等内容。Google AI Edge Gallery展示了在设备端运行语音识别与语音合成的路径。端侧方案并非完全不用网络，而是把高频基础能力放在本地，只有复杂搜索或需要最新知识时才在用户同意后调用云端。

最小可用架构

录音模块以固定采样率收集音频，语音活动检测去除长静音；ASR模型把语音转为文本；意图层先用规则或小模型判断本地命令；工具层执行允许的动作；TTS模型把结果朗读。每个环节独立，便于替换模型和定位耗时。第一版只支持十个明确命令，例如创建提醒、查询本地文件和控制播放器，不要一开始追求开放式万能助手。

部署与性能调优

根据手机芯片选择量化模型，先保证峰值内存不触发系统杀进程，再优化速度。短语音采用流式分段，边录边识别，避免等待整段结束；TTS先生成首句并播放，后续并行合成。模型首次加载可放在用户进入语音页后预热，但不要常驻耗电。测试冷启动、连续对话、弱电量、后台切换和不同噪声环境，记录首字延迟、实时率、识别错误率、温升和每分钟耗电。

隐私与权限设计

麦克风权限只在用户主动使用时申请，界面持续显示录音状态并提供立即停止。原始音频默认不保存，转写文本设置可见的清除入口。若需要云端处理，先显示将发送的内容和服务方，敏感联系人、地址和账号字段应脱敏。模型和运行库从可信来源下载并校验完整性，日志不能记录完整语音或访问令牌。离线只是传输边界，手机本身的存储加密与应用权限同样重要。

验收清单

准备安静、街道、车内和多人说话四类样本，覆盖普通话、口音、英文缩写、数字和专有名词。分别统计字错误率、命令成功率、误触发率和拒绝率。语音输出检查自然度、首句延迟和长文本中断恢复。高风险命令必须二次确认，识别置信度低时询问而不是猜测。最终体验目标不是实验室准确率最高，而是用户知道系统听到了什么、将要做什么，并能随时取消。