語音識別的核心需求其實非常直接:使用者說話,App 立刻把語音轉成文字並顯示出來。聽起來簡單,但真正要做出流暢、即時、穩定的體驗,並不容易。
很多現成範例只展示如何從本地音訊檔進行識別,卻沒有解決「邊說邊轉」這個最關鍵的問題。因此,這篇文章聚焦在 iOS 10 Speech Recognition 的兩種常見實作方式。
在使用語音識別之前,必須先取得使用者授權。通常需要在 Info.plist 中設定麥克風與語音識別的用途說明,然後呼叫 requestAuthorization 取得權限。
麥克風權限通常會在第一次開始錄音時再次確認,因此最好把「尚未授權」「使用者拒絕」「授權完成」等狀態都納入設計。
iOS 10 的語音識別主要可搭配兩種請求:
同時,結果回呼也有兩種方式:
這種方式最適合「現說現譯」的需求。整體流程如下:
其中,shouldReportPartialResults 是一個很關鍵的屬性。若設為 true,系統會持續回傳部分結果,讓文字能即時更新;若設為 false,則傾向等一句話說完後才回傳。
在實作上,通常會先用 AVAudioEngine 啟動輸入,然後透過 installTapOnBus 把音訊 buffer 不斷餵給 request。這樣就能達到接近「邊說邊顯示」的效果。
這個方式的優點是即時性高,適合語音輸入、語音指令、逐字稿等場景。缺點是對 lifecycle 管理要求較高,若沒有正確停止錄音與移除 tap,容易造成資源殘留或後續錄音異常。
如果你需要的是「先錄音,再辨識」,那麼 SFSpeechURLRecognitionRequest 會更合適。它的流程通常是:
這種方式適合用來處理較完整的語句,例如語音留言、語音備忘、語音轉文字後再進一步處理。它不一定追求逐字即時,而是更重視一次完整辨識的結果。
delegate 方式的優點是回呼更豐富,例如:
這些狀態很適合拿來做更細緻的 UI 回饋,例如顯示「正在聆聽」「辨識中」「已完成」等狀態。
如果你要做的是即時語音輸入、語音搜尋、語音指令,建議優先使用 AudioBuffer 串流方式。
如果你要做的是錄音後轉文字、語音檔案處理、客服錄音分析,則 URLRequest 更合適。
實務上,兩者也可以搭配使用。例如先用 AudioBuffer 做即時預覽,再於一段話結束後整理成最終結果。
語音識別功能雖然方便,但仍有一些實務限制:

iOS 10 的 Speech Recognition 讓語音轉文字變得更容易實作。真正困難的,往往不是 API 呼叫,而是如何把「錄音、辨識、更新、取消、錯誤處理」串成一個完整的使用者體驗。
當你能把語音輸入做得即時、穩定、可中斷,它就能成為 App 中非常自然的一部分。