15、语音控制集成：Google Assistant集成、自定义语音指令、TTS播报

语音控制，说白了就是让车载系统能「听懂人话」。这年头开车时用手戳屏幕，既不安全也不优雅。我做过好几个车载项目，语音交互这块踩过的坑，比屏幕上的指纹还多。今天咱们就把 Google Assistant 集成、自定义指令、TTS 播报这三件事彻底聊透。

15.1 Google Assistant 集成：让车机拥有「原生大脑」

Google Assistant 是现成的语音交互方案。你想想看，用户在家跟 Google Home 说「今天天气怎么样」，上车后跟车机说同样的话，体验就无缝了。我个人习惯是优先用官方提供的 Assistant SDK，而不是自己从头搭语音识别。

15.1.1 集成前的准备工作

集成 Google Assistant 需要满足几个硬性条件：

• Android 5.0 以上系统（车机一般没问题）
• Google Play Services 已安装
• 设备通过 Google 认证（这个在车机上比较敏感，后面会讲）
• 网络连接（语音识别需要云端处理）

15.1.2 使用 Assistant SDK 实现基础交互

Google 提供了 Assistant SDK 的 Android 客户端库。核心流程是：录音 → 发送音频 → 接收响应 → 播报结果。下面是一个简化版的集成示例：

// 初始化 Assistant 客户端
AssistantGrpc.AssistantStub assistantStub = AssistantGrpc.newStub(channel);

// 创建音频输入流（从麦克风读取）
AudioRecord recorder = new AudioRecord(
    MediaRecorder.AudioSource.MIC,
    SAMPLE_RATE,
    AudioFormat.CHANNEL_IN_MONO,
    AudioFormat.ENCODING_PCM_16BIT,
    BUFFER_SIZE
);

// 发送语音请求
AssistRequest request = AssistRequest.newBuilder()
    .setAudioIn(audioBytes)
    .build();

// 接收响应
StreamObserver<AssistResponse> responseObserver = new StreamObserver<AssistResponse>() {
    @Override
    public void onNext(AssistResponse response) {
        // 处理 Assistant 的回复
        if (response.getDialogStateOut().getSupplementalDisplayText() != null) {
            String text = response.getDialogStateOut().getSupplementalDisplayText();
            // 显示到 UI 上
            runOnUiThread(() -> textView.setText(text));
        }
    }

    @Override
    public void onError(Throwable t) {
        Log.e("Assistant", "出错了: " + t.getMessage());
    }

    @Override
    public void onCompleted() {
        Log.d("Assistant", "对话结束");
    }
};

// 开始双向流式通信
assistantStub.assist(responseObserver);

嗯，这里要注意：双向流式通信意味着你一边录音一边发送，Assistant 一边处理一边返回结果。延迟控制很关键，我遇到过因为缓冲区设置太大，导致用户说完话 3 秒后才响应的尴尬情况。

15.1.3 车机场景的特殊处理

Google Assistant 在车机上有个大问题：驾驶安全。你不能让 Assistant 在开车时显示复杂的 UI 或者播放视频。Google 提供了 Car App 的专用 API，可以限制某些操作。

场景	允许的操作	禁止的操作
车辆行驶中	语音播报、简单回复	显示长文本、播放视频
车辆静止时	完整交互	无特殊限制

15.2 自定义语音指令：让车机听懂「行话」

Google Assistant 能听懂「打开空调」，但听不懂「把温度调到 23 度，风量小一点」这种复合指令。这时候就需要自定义语音指令了。说白了，就是自己定义一套「关键词 → 动作」的映射规则。

15.2.1 使用 Android 的 SpeechRecognizer

Android 自带的 SpeechRecognizer 可以离线识别，虽然准确率不如云端，但胜在速度快、不依赖网络。我一般在车机上做「热词唤醒」时用它。

// 创建语音识别器
SpeechRecognizer recognizer = SpeechRecognizer.createSpeechRecognizer(context);

// 设置识别监听
recognizer.setRecognitionListener(new RecognitionListener() {
    @Override
    public void onResults(Bundle results) {
        ArrayList<String> matches = results
            .getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION);
        if (matches != null && matches.size() > 0) {
            String command = matches.get(0);
            handleCommand(command);
        }
    }

    @Override
    public void onError(int error) {
        Log.e("Voice", "识别错误: " + error);
    }
});

// 启动识别
Intent intent = new Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH);
intent.putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL,
    RecognizerIntent.LANGUAGE_MODEL_FREE_FORM);
intent.putExtra(RecognizerIntent.EXTRA_LANGUAGE, "zh-CN");
recognizer.startListening(intent);

15.2.2 指令解析与匹配

识别出文字后，怎么匹配到具体动作？我试过正则表达式、关键词匹配、甚至简单的 NLP 模型。对于车载场景，关键词 + 槽位提取 是最实用的。

举个例子：用户说「导航到天安门」

• 关键词：导航
• 槽位：目的地 = 天安门

代码实现可以这样：

public class CommandParser {
    private static final Map<String, CommandAction> COMMANDS = new HashMap<>();

    static {
        COMMANDS.put("导航", new NavigateAction());
        COMMANDS.put("打电话", new CallAction());
        COMMANDS.put("播放", new PlayMusicAction());
        COMMANDS.put("空调", new ClimateAction());
    }

    public CommandResult parse(String text) {
        for (String keyword : COMMANDS.keySet()) {
            if (text.contains(keyword)) {
                // 提取槽位信息
                String slot = extractSlot(text, keyword);
                return new CommandResult(COMMANDS.get(keyword), slot);
            }
        }
        return null; // 未匹配
    }

    private String extractSlot(String text, String keyword) {
        // 简单提取：关键词后面的内容作为槽位
        int index = text.indexOf(keyword) + keyword.length();
        return text.substring(index).trim();
    }
}

15.2.3 复合指令的处理

用户可能会说「打开空调，温度调到 23 度，风量调到 3 档」。这种复合指令需要拆解成多个子指令。我的做法是：

1. 先用分隔符（比如「，」「然后」「并且」）把句子拆成多个子句
2. 每个子句单独匹配关键词和槽位
3. 按顺序执行（或者并行执行，看场景）

public List<CommandResult> parseCompound(String text) {
    List<CommandResult> results = new ArrayList<>();
    // 用常见分隔符拆分
    String[] parts = text.split("[，,、然后并且]");
    for (String part : parts) {
        CommandResult result = parse(part.trim());
        if (result != null) {
            results.add(result);
        }
    }
    return results;
}

15.3 TTS 播报：让车机「开口说话」

语音交互不只是听，还要说。TTS（Text To Speech）就是把文字转成语音播报出来。Android 自带的 TextToSpeech 引擎已经够用，但车机场景有一些特殊要求。

15.3.1 使用 Android TextToSpeech

基础用法很简单：

TextToSpeech tts = new TextToSpeech(context, status -> {
    if (status == TextToSpeech.SUCCESS) {
        tts.setLanguage(Locale.CHINESE);
        tts.setSpeechRate(0.9f); // 语速稍慢，适合驾驶场景
        tts.setPitch(1.0f);
    }
});

// 播报文本
tts.speak("前方 500 米有测速摄像头", TextToSpeech.QUEUE_FLUSH, null, "speed_camera");

// 播报完成后释放资源
tts.setOnUtteranceProgressListener(new UtteranceProgressListener() {
    @Override
    public void onDone(String utteranceId) {
        // 播报完成
        if ("speed_camera".equals(utteranceId)) {
            // 可以执行后续操作
        }
    }
});

15.3.2 车机 TTS 的优化技巧

我在项目中总结了几条 TTS 的优化经验：

• 语速控制： 驾驶场景下语速建议 0.8-0.9 倍，太快了用户听不清
• 音量自适应： 根据车速自动调整 TTS 音量（车速越快，音量越大）
• 打断策略： 如果用户正在听音乐，TTS 播报时应该降低音乐音量（闪避效果）
• 缓存机制： 常用播报内容（比如「导航开始」「已为您规划路线」）可以预生成音频文件，避免每次实时合成

15.3.3 自定义 TTS 引擎

如果觉得 Android 自带的 TTS 声音太机械，可以接入第三方 TTS 引擎（比如科大讯飞、百度）。这些引擎支持更自然的语音、多音色选择，甚至情感表达。

// 以讯飞 TTS 为例
SpeechSynthesizer synthesizer = SpeechSynthesizer.createSynthesizer(context, null);

// 设置参数
synthesizer.setParameter(SpeechConstant.VOICE_NAME, "xiaoyan"); // 选择音色
synthesizer.setParameter(SpeechConstant.SPEED, "50"); // 语速
synthesizer.setParameter(SpeechConstant.VOLUME, "80"); // 音量

// 开始合成
synthesizer.startSpeaking("前方路口请右转", new SynthesizerListener() {
    @Override
    public void onCompleted(int error) {
        if (error == 0) {
            // 合成成功
        }
    }
});

15.4 知识体系总览

下面这张图把本章的核心逻辑串起来了。从语音输入到指令解析，再到动作执行和语音反馈，形成一个完整的闭环。

从图上你能看到，整个语音交互是一个闭环：用户说话 → 识别 → 解析 → 执行 → 播报反馈。每个环节都有优化空间，也都有坑。我当年第一次做车载语音时，忽略了「播报反馈」这一步，结果用户说了指令后车机没任何反应，用户以为没识别到，又重复说了一遍... 嗯，从那以后我特别重视反馈的及时性。