背景
众所周知，目前开源的asr语音识别引擎，有些是支持流式识别的，有些是不支持流式识别的。
流式识别的优势在于：人可以一直说，麦克风一直监听，识别文字结果一直输出，适合长时间机器对话、以及对话打断等。
而非流式的特点则是：输入一段完整的语音，提交给asr，让它一次性完整输出结果。
安卓平台，开源提供可用demo的本地语音识别中：
一些支持流式处理的语音识别有：vosk、sherpa-ncnn、sherpa-mmn
一些非流式的语音识别有：pytorch-Wav2Vec2、onnx-funasr、Whisper.cpp
如果要做本地ai对话，遇到效果好的asr，但又不支持流式处理，不能直接拿来，这个就需要处理成流式处理。
有多种科学的方案：
1.找到流式处理的demo
2.找不到流式demo时、找其它语音的实现demo：c++、rust等流式处理demo，移植为安卓工程
3.实在不支持流式处理时，改造asr算法让其支持流式处理，参考文档:流式语音识别原理和实现思路
思考
作为小小的开发仔，算法移植和修改引擎都太漫长不确定了。不过可以从应用层面做一个比较折中的办法：
将持续的录音数据，按静音（没有人说话）作为分割，将每次说话的数据，打包成一次完整的语音，将有说话的完整语音提交给asr识别，就这样拆成一段段的间歇性识别。
静音识别
人在不说话时，话筒里剩下的只是幅度很小的背景噪声；只要把这阵子信号的能量（或幅值）算出来，再跟一条经验门限比大小，能量低于门限就判为静音。整套流程全部在时域完成，无需解码、也无需频域变换，因此运算量极小，适合实时通话、录音降噪等场景。
pcm格式导出波形图
参考空语音识别原理
代码实现:
参考判断PCM音频为静音
判断静音代码：
public class SilenceDetector {/** 默认 -40 dB 门限 */private static final double DEFAULT_SILENCE_DB = -40.0;/** 工具类禁止实例化 */private SilenceDetector() { }/*** 判断整段 PCM 是否全是静音** @param pcmBytes 16-bit 小端、单声道 PCM 数据* @param sampleRate 采样率，如 16000* @param frameMs 定义每一帧总时长（毫秒数），建议 20 ms* @param silenceDb 判定门限，单位 dB* @return true 静音，false 至少有一帧超过判定门限，为说话中*/public static boolean isSilence(short[] pcmBytes,int sampleRate,int frameMs,double silenceDb) {return isSilence2(pcmBytes, 0, pcmBytes.length, sampleRate, frameMs, silenceDb);}/*** 判断整段 PCM 是否全是静音** @param pcmBytes 16-bit 小端、单声道 PCM 数据* @param sampleRate 采样率，如 16000* @param frameMs 定义每一帧总时长（毫秒数），建议 20 ms* @param silenceDb 判定门限，单位 dB* @return true 静音，false 至少有一帧超过判定门限，为说话中*/public static boolean isSilence2(short[] pcmBytes,int dataOffset,int dataLength,int sampleRate,int frameMs,double silenceDb) {int frameSamples = sampleRate * frameMs / 1000;double thresholdLinear = Math.pow(10.0, silenceDb / 20.0);int frames = dataLength / frameSamples;if (frames == 0) return true; // 数据太短for (int f = 0; f < frames; f++) {double sumSq = 0.0;int off = f * frameSamples;for (int i = off; i < off + frameSamples; i++) {short v = pcmBytes[dataOffset + i];sumSq += v * v * 1.0;}//32768.0 是 16-bit 有符号音频样本的最大绝对值（即 Short.MAX_VALUE + 1），用来把 short 采样值归一化到 [-1.0, 1.0) 浮点范围，方便计算 RMS、dB 等。double rms = Math.sqrt(sumSq / frameSamples) / 32768.0;if (rms > thresholdLinear) return false; // 有一帧超门限}return true;}/* 16-bit 小端 → short[] */private static short[] byteArrayToShortArray(byte[] bytes) {if (bytes.length % 2 != 0)throw new IllegalArgumentException("PCM 字节数必须是 2 的倍数");short[] out = new short[bytes.length / 2];for (int i = 0; i < out.length; i++) {int lo = bytes[i * 2] & 0xFF;int hi = bytes[i * 2 + 1] & 0xFF;out[i] = (short) ((hi << 8) | lo);}return out;}/* 最简重载，使用默认参数 */public static boolean isSilence(byte[] pcmBytes, int sampleRate) {short[] shorts = byteArrayToShortArray(pcmBytes);return isSilence(shorts, sampleRate);}public static boolean isSilence(short[] pcmBytes, int sampleRate) {return isSilence(pcmBytes, sampleRate, 20, DEFAULT_SILENCE_DB);}public static boolean isSilence2(short[] pcmBytes,int dataOffset,int dataLength, int sampleRate) {return isSilence2(pcmBytes, dataOffset, dataLength, sampleRate, 20, DEFAULT_SILENCE_DB);}
}
使用静音判断代码，分割采集有说话的pcm数据：
int bufferSize = AudioRecord.getMinBufferSize(SAMPLE_RATE, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT);AudioRecord record = new AudioRecord(MediaRecorder.AudioSource.DEFAULT, SAMPLE_RATE, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT,bufferSize);if (record.getState() != AudioRecord.STATE_INITIALIZED) {Log.e(LOG_TAG, "Audio Record can't initialize!");return;}record.startRecording();short[] audioBuffer = new short[bufferSize / 2];while (recording) {int numberOfShort = record.read(audioBuffer, 0, audioBuffer.length);boolean isSilence = SilenceDetector.isSilence2(audioBuffer, 0, numberOfShort, SAMPLE_RATE);Log.d("test", "isSilence=" + isSilence);
//采集堆积pcm数据，静音时一次性打包提交给asr识别，识别完成后开始下一轮数据堆积和识别。。。。}record.stop();record.release();
补充
只是提供一种思路，毕竟不是真正的asr流式识别，只是有个流式pcm数据的中间拆分处理过程，需要自己调逻辑调效果。
)
