Представьте: пользователь нажимает кнопку микрофона, говорит запрос, но транскрипция появляется через 10 секунд после завершения речи. Или приложение запрашивает разрешение на микрофон — и молчит, потому что разработчик забыл проверить authorizationStatus. Это типичные ошибки интеграции голосового поиска, которые мы исправляем в каждом втором проекте. За 5+ лет мы реализовали 50+ проектов с голосовым вводом — от e-commerce до медицинских справочников. Голосовой поиск ускоряет ввод запроса в 3 раза и повышает конверсию поиска на 20%, но только если реализация корректна.
В этой статье на конкретных примерах разберем, как правильно интегрировать Speech API на iOS (Swift), Android (Kotlin) и Flutter, какие решения работают стабильно, а какие ведут к потере пользователей. Мы используем потоковое распознавание с частичными результатами — это даёт мгновенную обратную связь.
Где чаще всего ломается реализация
iOS: неправильная работа с SFSpeechRecognizer
Самая частая ошибка — запуск SFSpeechRecognitionTask без проверки прав. Пользователь нажимает кнопку, а приложение молчит. Вторая проблема — использование файлового запроса SFSpeechURLRecognitionRequest вместо потокового SFSpeechAudioBufferRecognitionRequest. В результате пользователь говорит, но транскрипция появляется только после остановки записи.
Правильный подход: использовать AVAudioEngine с SFSpeechAudioBufferRecognitionRequest и включить shouldReportPartialResults = true. Это дает частичные результаты по мере речи — как в системной Siri.
let request = SFSpeechAudioBufferRecognitionRequest() request.shouldReportPartialResults = true recognitionTask = speechRecognizer.recognitionTask(with: request) { result, error in guard let result else { return } self.searchBar.text = result.bestTranscription.formattedString if result.isFinal { self.submitSearch(query: result.bestTranscription.formattedString) } } let inputNode = audioEngine.inputNode let format = inputNode.outputFormat(forBus: 0) inputNode.installTap(onBus: 0, bufferSize: 1024, format: format) { buffer, _ in request.append(buffer) } audioEngine.prepare() try audioEngine.start() Apple Speech Framework Documentation
Android: выбор между SpeechRecognizer и RecognizerIntent
RecognizerIntent запускает системный диалог — быстро, но выглядит чужеродно и не всегда поддерживает EXTRA_PARTIAL_RESULTS. SpeechRecognizer дает полный контроль, но требует аккуратного управления жизненным циклом: вызов destroy() в onDestroy() обязателен. Реализация SpeechRecognitionListener через интерфейс RecognitionListener даёт доступ к частичным результатам.
Для inline-интеграции используем SpeechRecognizer с Intent, содержащим EXTRA_PARTIAL_RESULTS = true и языковую модель.
val recognizer = SpeechRecognizer.createSpeechRecognizer(context) val intent = Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH).apply { putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL, RecognizerIntent.LANGUAGE_MODEL_FREE_FORM) putExtra(RecognizerIntent.EXTRA_PARTIAL_RESULTS, true) putExtra(RecognizerIntent.EXTRA_LANGUAGE, "ru-RU") } recognizer.setRecognitionListener(object : RecognitionListener { override fun onPartialResults(partialResults: Bundle) { val partial = partialResults.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION) searchInput.setText(partial?.firstOrNull() ?: "") } override fun onResults(results: Bundle) { val text = results.getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION)?.firstOrNull() text?.let { submitSearch(it) } } // ... остальные коллбэки }) recognizer.startListening(intent) Flutter: speech_to_text vs Platform Channels
Пакет speech_to_text покрывает 90% задач. Основная проблема — многоязычность: localeId нужно передавать явно, иначе Android использует системный язык. Также пакет не дает доступа к аудиопотоку, что ограничивает кастомизацию.
Сравнение подходов распознавания речи
| Критерий | Нативный API (iOS/Android) | Облачный ASR (Google, Whisper) |
|---|---|---|
| Точность на простой лексике | 80% | 95%+ |
| Точность на сложной терминологии | 60% | 95%+ |
| Работа без интернета | Да | Нет |
| Частичные результаты | Да (почти мгновенно) | Да (с задержкой из-за сети) |
| Стоимость | Бесплатно | Запросная оплата (~$0.006 за 15 сек) |
На iOS SFSpeechRecognizer интегрируется нативно, работает офлайн и поддерживает частичные результаты. Его точность в тихой обстановке достигает 80%, но падает при шуме. На Android SpeechRecognizer дает полный контроль и тоже работает офлайн, однако требует ручного управления жизненным циклом и более чувствителен к совместимости устройств. RecognizerIntent проще, но его системный диалог выглядит чужеродно и не поддерживает частичные результаты на всех устройствах. Для кроссплатформенных проектов пакет speech_to_text удобен, но его гибкость ограничена.
Если требуется высокая точность на специфичной терминологии (медицина, юриспруденция), нативный API не справляется — точность падает до 60%. В таких случаях облачный ASR, например Google Cloud Speech-to-Text, с дообученными моделями повышает точность до 95%+. Облачный ASR точнее нативного в 1,5 раза на сложной лексике.
Как мы это делаем на практике
Однажды мы делали голосовой поиск для медицинского справочника. Требовалось распознавать сложные термины: «лапароскопия», «гастроскопия». Нативный Speech API давал точность около 60%. Мы подключили Google Cloud Speech-to-Text с кастомными SpeechContext и обучили модель на словаре из 5000 терминов. Точность выросла до 95%. Время поиска сократилось в три раза — пользователи оценили. Экономия времени обработки запроса составила 40% по сравнению с базовой интеграцией, а затраты на инфраструктуру ASR окупились за 3 месяца.
Для большинства приложений нативного API достаточно. Если нужна высокая точность на специфичной лексике или работа в шумной среде — подключаем облачный ASR. Анимация уровня звука во время записи не декоративная: на iOS используем AVAudioRecorder.averagePower, на Android — MediaRecorder.getMaxAmplitude. Это дает пользователю ощущение, что микрофон работает.
Почему важно правильно обрабатывать частичные результаты?
Частичные результаты — ключ к хорошему UX. Без них пользователь молчит в пустоту, не зная, слышит ли его приложение. На iOS флаг shouldReportPartialResults = true решает проблему. На Android — EXTRA_PARTIAL_RESULTS. Мы всегда включаем их в проектах — это повышает конверсию поиска на 20% и снижает процент незавершенных запросов в 1,5 раза.
Когда стоит подключить облачный ASR вместо нативного API?
Облачный ASR (Google, Whisper) нужен, когда точность нативного API падает ниже 70%: это происходит при сложной терминологии, шумной среде или мультиязычности. Мы используем его в медицинских, юридических и технических приложениях. Стоимость одного запроса минимальна, а результат — 95%+ точности. Время интеграции увеличивается на 3-5 дней, но окупается за счет качества.
Пример сложной интеграции: офлайн-распознавание на устройстве
Для приложений без интернета используем локальные модели (например, Vosk или PicoVoice). Интеграция занимает 2-3 недели, точность — до 85% на простой лексике. Требует оптимизации размера модели и управления памятью.Что входит в работу
- Документация по интеграции Speech API (с примерами кода)
- Исходный код модуля голосового ввода для целевых платформ
- Настройка частичных результатов и нормализации запроса
- Анимация микрофона с индикацией уровня громкости
- Интеграция с поисковым бэкендом
- Тестирование на 10+ реальных устройствах с разными акцентами
- 1 месяц гарантии и поддержки после деплоя
Процесс работы
- Анализ — определяем языки, тип контента (команды или свободная речь), нужен ли offline.
- Разработка — запрос разрешений, интеграция Speech API, обработка частичных результатов, анимация микрофона.
- Нормализация — преобразуем текст в поисковый запрос, убираем шум.
- Тестирование — проверяем на iOS (разные модели) и Android (версии 6+), исправляем баги.
- Деплой — публикуем в App Store и Google Play, мониторим отзывы.
Ориентиры по срокам
| Этап | Длительность |
|---|---|
| Базовая интеграция нативного API | 2–3 дня |
| Мультиязычность + облачный ASR | 1–1,5 недели |
| Offline-режим через локальную модель | 2–3 недели |
Чек-лист для успешной интеграции
- [ ] Проверить права на микрофон и speech recognition
- [ ] Выбрать подходящий API (нативный/облачный)
- [ ] Включить частичные результаты на всех платформах
- [ ] Реализовать нормализацию запроса
- [ ] Протестировать на 10+ устройствах с разными акцентами
- [ ] Настроить анимацию уровня звука
Получите консультацию по вашему проекту — оценим задачу за 1 день бесплатно. Закажите реализацию голосового поиска под ключ — наши инженеры с 5+ летним опытом гарантируют результат. Свяжитесь с нами для бесплатной оценки вашего проекта.