SFSpeechRecognizer — τι είναι, API και ενσωμάτωση σε iOS

Τι είναι το SFSpeechRecognizer: επισκόπηση δυνατοτήτων

SFSpeechRecognizer — μια κλάση από το Speech.framework που αντιπροσωπεύει έναν αναγνωριστή ομιλίας για μια συγκεκριμένη γλώσσα. Αρχικοποιείται με Locale (ru_RU, en_US, zh_CN). Το SFSpeechRecognizer διαχειρίζεται το αίτημα αναγνώρισης (SFSpeechRecognitionRequest) και επιστρέφει ένα αποτέλεσμα (SFSpeechRecognitionResult) με μεταγραφές και μεταδεδομένα. Υποστηρίζει δύο τύπους αιτημάτων: SFSpeechAudioBufferRecognitionRequest (ζωντανή ροή ήχου) και SFSpeechURLRecognitionRequest (αρχείο ήχου). Και τα δύο επιστρέφουν SFTranscription — μια συστοιχία εναλλακτικών παραλλαγών αναγνώρισης.

SFSpeechRecognitionResult περιέχει: bestTranscription (καλύτερη παραλλαγή, SFTranscription), transcriptions (όλες οι εναλλακτικές), isFinal (τελικό/προσωρινό). SFTranscription περιέχει: formattedString (κείμενο), segments (συστοιχία SFTranscriptionSegment με χρονικές σημάνσεις, confidence, substringRange, alternativeSubstrings). Confidence για κάθε τμήμα (0..1) — επιτρέπει το φιλτράρισμα αναξιόπιστων τμημάτων. segments — βασικό χαρακτηριστικό του Speech.framework: παρέχει σχολιασμό κάθε λέξης με βεβαιότητα.

Αρχιτεκτονική SFSpeechRecognizer: AVFoundation (σύλληψη ήχου) → Audio Buffer → SFSpeechAudioBufferRecognitionRequest → SFSpeechRecognizer (κινητήρας ASR) → SFSpeechRecognitionResult → SFSpeechRecognitionTask (έλεγχος: cancel, finish, pause). Ο κινητήρας ASR της Apple χρησιμοποιεί υβριδική αρχιτεκτονική: Conformer (κωδικοποιητής) + RNNT (αποκωδικοποιητής) για on-device, Transducer για cloud. Τα μοντέλα είναι βελτιστοποιημένα για Apple Neural Engine (ANE). Στο A17 Pro το on-device ASR λειτουργεί με RTF 0.3–0.6 (ταχύτερο από πραγματικό χρόνο).

Απαιτήσεις ήχου: Το SFSpeechRecognizer δέχεται LPCM (16 kHz, 16 bit, mono) ή Opus (iOS 17+). Το AVFoundation μπορεί να συλλάβει buffer σε οποιαδήποτε μορφή, το αίτημα μετατρέπει αυτόματα. Ελάχιστο μήκος: 0,5 δευτερόλεπτα (ανίχνευση σιωπής). Μέγιστο: 1 λεπτό (cloud) / 2 λεπτά (on-device) ανά αίτημα. Για μεγάλη μεταγραφή, διαιρέστε τον ήχο σε κομμάτια 30–60 δευτερολέπτων με επικάλυψη 2–5 δευτερολέπτων.

Ρύθμιση και άδειες SFSpeechRecognizer

Άδειες χρήστη: Το SFSpeechRecognizer απαιτεί δύο ρητές άδειες. NSMicrophoneUsageDescription (Privacy — Microphone Usage Description) — για πρόσβαση στο μικρόφωνο. NSSpeechRecognitionUsageDescription (Privacy — Speech Recognition Usage Description) — για πρόσβαση στην αναγνώριση ομιλίας. Και οι δύο είναι συμβολοσειρές που εξηγούν στο χρήστη γιατί. SFSpeechRecognizer.requestAuthorization — κλήση του διαλόγου άδειας. Καταστάσεις: notDetermined, denied, restricted, authorized. Χωρίς authorized η κλήση recognizer επιστρέφει σφάλμα 216 (Speech framework error).

Έλεγχος διαθεσιμότητας: SFSpeechRecognizer.isAvailable — ελέγχει εάν το ASR είναι διαθέσιμο για την τρέχουσα γλώσσα. Σε iOS 16- isAvailable = false χωρίς διαδίκτυο. Σε iOS 17+ isAvailable = true για γλώσσες on-device ακόμη και εκτός σύνδεσης. SFSpeechRecognizer.supportedLocales — στατική μέθοδος για λήψη της λίστας υποστηριζόμενων γλωσσών της συσκευής. Συνιστάται ο έλεγχος isAvailable πριν από κάθε εκκίνηση (ο χρήστης μπορεί να απενεργοποιήσει το Siri/Υπαγόρευση στις ρυθμίσεις). Η διαθεσιμότητα εξαρτάται από την περιοχή: κινεζικά — μόνο στην Κίνα, αραβικά — στα ΗΑΕ.

// Ρύθμιση SFSpeechRecognizer
import Speech

SFSpeechRecognizer.requestAuthorization { status in
    guard status == .authorized else { return }
}

let recognizer = SFSpeechRecognizer(locale: Locale(identifier: "ru_RU"))!
guard recognizer.isAvailable else {
    print("Το ASR δεν είναι διαθέσιμο. Ενεργοποιήστε το Siri & Υπαγόρευση στις Ρυθμίσεις")
    return
}

let request = SFSpeechAudioBufferRecognitionRequest()
request.requiresOnDeviceRecognition = true

Διαχείριση σφαλμάτων: Το SFSpeechRecognizer καλείται με completion handler που μπορεί να επιστρέψει Error. Κύρια σφάλματα: 203 — no internet (cloud, iOS 16-); 216 — not authorized (χωρίς άδεια); 301 — audio error (πρόβλημα μικροφώνου/μορφής); 401 — service unavailable (υπερφόρτωση υπηρεσίας); 601 — language unavailable (γλώσσα δεν υποστηρίζεται στη συσκευή). Για on-device iOS 17+ κύρια σφάλματα: 301 (audio), 601 (language). Πάντα να διαχειρίζεστε το completion handler — τα σφάλματα μπορεί να προκύψουν οποιαδήποτε στιγμή κατά την εγγραφή.

Αναγνώριση ομιλίας ροής από μικρόφωνο

Live ASR pipeline: AVAudioEngine (σύλληψη από μικρόφωνο) → installTap (buffer ήχου) → request.append(buffer) → SFSpeechRecognizer → recognitionTask → delegate/resultHandler. Το AVAudioEngine εξασφαλίζει χαμηλή καθυστέρηση (5–10 ms από μικρόφωνο σε buffer). SFSpeechRecognitionDelegate: didHypothesizeTranscription (κάθε 200–500 ms — μερικό κείμενο), didFinishRecognition (τελικό αποτέλεσμα). Task.isFinishing — μπορεί να ακυρωθεί όταν ολοκληρωθεί η αναγνώριση. Για συνεχή αναγνώριση (ατελείωτη υπαγόρευση) — δημιουργήστε νέο task μετά το isFinal.

SFSpeechRecognitionTaskDelegate: προαιρετικές μέθοδοι. speechRecognitionDidDetectSpeech (έναρξη ομιλίας) — για ένδειξη UI. didHypothesizeTranscription (προσωρινό κείμενο) — για εμφάνιση κατά την ομιλία. didFinishRecognition (τελικό αποτέλεσμα) — για καταγραφή κειμένου. didFinishSuccessfully (επιτυχία/σφάλμα) — για ολοκλήρωση. didProcessAudio (buffer ήχου επεξεργάστηκε) — για μετρητή RMS. Συνιστάται η υλοποίηση didHypothesizeTranscription — ο χρήστης βλέπει το κείμενο αμέσως, χωρίς καθυστέρηση. Τελική μεταγραφή — για αποθήκευση.

// Ζωντανή αναγνώριση ομιλίας
let audioEngine = AVAudioEngine()
let request = SFSpeechAudioBufferRecognitionRequest()
request.shouldReportPartialResults = true

recognitionTask = recognizer.recognitionTask(with: request) { result, error in
    if let result = result {
        textView.text = result.bestTranscription.formattedString
    }
    if error != nil || result?.isFinal == true {
        audioEngine.stop()
        request.endAudio()
    }
}

let inputNode = audioEngine.inputNode
let recordingFormat = inputNode.outputFormat(forBus: 0)
inputNode.installTap(onBus: 0, bufferSize: 1024,
                     format: recordingFormat) { buffer, _ in
    request.append(buffer)
}
audioEngine.prepare()
try audioEngine.start()

Συνεχής αναγνώριση: για τη λειτουργία “άκου πάντα” (φωνητική είσοδος, βοηθός) απαιτείται επανεκκίνηση της εργασίας μετά το isFinal. Δημιουργήστε έναν βρόχο: finishTask → request = SFSpeechAudioBufferRecognitionRequest() → recognitionTask = recognizer.recognitionTask(with: request). Για αποφυγή παύσεων, επικαλύψτε το τέλος μιας εργασίας με την αρχή της επόμενης (ξεκινήστε νέο αίτημα 1–2 δευτερόλεπτα πριν από την ολοκλήρωση του προηγούμενου). AVFoundation AVAudioSession — διαμόρφωση .playAndRecord για ταυτόχρονη αναπαραγωγή και εγγραφή. Σε iOS 17+ η συνεχής ASR με on-device καταναλώνει 2–5% μπαταρία ανά ώρα (A15+).

Αναγνώριση αρχείων ήχου και εγγραφών

SFSpeechURLRecognitionRequest — αίτημα για αναγνώριση αρχείου ήχου μέσω URL. Υποστηρίζει μορφές: .wav (16 kHz, 16 bit, mono), .m4a (AAC), .mp4, .mov. Μέγιστο μήκος: ~1 λεπτό για cloud, ~2 λεπτά για on-device. Για μεγαλύτερα αρχεία — διαιρέστε σε κομμάτια (AVAssetExportSession + trim). Το SFSpeechURLRecognitionRequest δεν υποστηρίζει ροή (χωρίς μερικά αποτελέσματα) — μόνο τελικό αποτέλεσμα. Για μερικά αποτελέσματα με αρχείο — μετατρέψτε σε Audio Buffer Request.

Λήψη μεταγραφής αρχείου ήχου: SFSpeechRecognizer.recognitionTask(with: request) resultHandler. Εξάγετε το bestTranscription.formattedString. Για χρονικές σημάνσεις σε επίπεδο λέξης — segments από bestTranscription.segments (segment.duration, segment.timestamp, segment.substring). Confidence ανά τμήμα — βεβαιότητα ASR σε κάθε λέξη (χρησιμοποιήστε για φιλτράρισμα). Εναλλακτικές παραλλαγές — εναλλακτικές transcriptionFormatter για λέξεις με χαμηλό confidence. Για αρχεία με πολλούς ομιλητές — το SFSpeechRecognitionRequest μπορεί να επιστρέψει πολλαπλά αιτήματα (ένα ανά ομιλητή, iOS 17+).

// Μεταγραφή αρχείου ήχου
let audioURL = Bundle.main.url(forResource: "recording", withExtension: "m4a")!
let request = SFSpeechURLRecognitionRequest(url: audioURL)
request.requiresOnDeviceRecognition = true

recognizer.recognitionTask(with: request) { result, error in
    guard let result = result, error == nil else {
        print("Σφάλμα: \(error?.localizedDescription ?? "unknown")")
        return
    }

    let transcription = result.bestTranscription
    let text = transcription.formattedString
    let words = transcription.segments.map { segment in
        Word(text: segment.substring,
              start: segment.timestamp,
              duration: segment.duration,
              confidence: segment.confidence)
    }
}

Κοπή μεγάλων αρχείων ήχου: για αρχεία > 1 λεπτού κόψτε σε κομμάτια 30–60 δευτερολέπτων με επικάλυψη 2–3 δευτερολέπτων (σύνδεση). AVAssetExportSession + CMTimeRange — εξαγωγή κομματιών. Εναλλακτική: UISelectionView (ο χρήστης επιλέγει τμήμα). Σύνδεση μεταγραφών: συνένωση κειμένων, σύνδεση μέσω επικάλυψης (τελευταίες 2–3 λέξεις προηγούμενου κομματιού συγκρίνονται με πρώτες 2–3 λέξεις επόμενου — αφαίρεση διπλοτύπων). Τα Vosk και Whisper υποστηρίζουν μεγάλο ήχο εγγενώς, το SFSpeechRecognizer — όχι. Για μεγάλη μεταγραφή συνιστώ το Whisper (Core ML) — χωρίς περιορισμό μήκους.

On-device εναντίον Cloud: σύγκριση λειτουργιών

Λειτουργία On-device (iOS 17+): request.requiresOnDeviceRecognition = true. Το ASR εκτελείται τοπικά στο Apple Neural Engine (ANE). Πλεονεκτήματα: χωρίς διαδίκτυο, ιδιωτικότητα (ο ήχος δεν φεύγει από τη συσκευή), μηδενικό κόστος (δωρεάν), χαμηλή καθυστέρηση (RTF 0.3–0.6). Μειονεκτήματα: χαμηλότερη ακρίβεια (WER 12–14% vs 7–12%), περιορισμός 2 λεπτών ανά αίτημα, περιορισμένο σύνολο γλωσσών (δεν είναι διαθέσιμες και οι 60 γλώσσες on-device). Το μοντέλο on-device καταλαμβάνει ~50–100 MB στη συσκευή, φορτώνεται στο πρώτο αίτημα.

Cloud (iOS 16-): request.requiresOnDeviceRecognition = false (ή λείπει η παράμετρος). ASR στους διακομιστές Apple — ακριβέστερος (WER 7% EN, 12% RU), περισσότερες γλώσσες, έως 1 λεπτό ανά αίτημα. Απαιτεί διαδίκτυο (WiFi ή κινητό). Η Apple δεν χρεώνει τον προγραμματιστή για cloud ASR (δωρεάν). Όρια: 1 αίτημα ανά λεπτό ανά εφαρμογή (απροσδιόριστο), αλλά για κλίμακα παραγωγής η Apple μπορεί να περιορίσει. cloud ASR — ποιότητα best-effort, χωρίς SLA. Για εταιρικές εφαρμογές χρησιμοποιήστε Google Cloud ASR ή Whisper (Core ML).

Combined Recognition (iOS 17+): request.requiresOnDeviceRecognition = false με διαδίκτυο (cloud), = true εκτός σύνδεσης (fallback). Η Apple επιλέγει αυτόματα λειτουργία. Για εφαρμογές κρίσιμες για ακρίβεια: ελέγξτε το NetworkMonitor (NWPathMonitor) — με διαδίκτυο cloud, χωρίς αυτό on-device. Για εφαρμογές κρίσιμες για ιδιωτικότητα: πάντα on-device. Για μεταγραφή: cloud (ακριβέστερος). Για φωνητική είσοδο: on-device (ταχύτερος). Συνιστάται Combined: 80% cloud, 20% on-device fallback.

Εφαρμογή του SFSpeechRecognizer σε εφαρμογές iOS

Φωνητική είσοδος σε προσαρμοσμένο πληκτρολόγιο — το SFSpeechRecognizer είναι ενσωματωμένο σε επεκτάσεις πληκτρολογίου (iOS 10+). Ο χρήστης πατάει το κουμπί μικροφώνου — το ASR μεταγράφει την ομιλία σε κείμενο και το εισάγει στο πεδίο κειμένου. Απαιτήσεις: μερικά αποτελέσματα (βλέπει το κείμενο σε πραγματικό χρόνο), on-device (το πληκτρολόγιο πρέπει να λειτουργεί χωρίς διαδίκτυο). SFSpeechRecognizer + AVSpeechSynthesizer — φωνητική είσοδος + φωνητική έξοδος. Για προσαρμοσμένο πληκτρολόγιο σε iOS 17+ χρησιμοποιήστε on-device. Περιορισμοί επέκτασης πληκτρολογίου: το AVAudioEngine είναι διαθέσιμο, αλλά με χρονικούς περιορισμούς (background execution limited).

Μεταγραφή συναντήσεων και διαλέξεων — εφαρμογές για εγγραφή και μεταγραφή ήχου (Otter.ai, Rev, Apple Voice Memos). Το SFSpeechURLRecognitionRequest επεξεργάζεται το αρχείο .m4a. Για μεγάλες εγγραφές (30–60 λεπτά) — Whisper Core ML (χωρίς περιορισμό μήκους). Τμήματα SFSpeechRecognizer με χρονικές σημάνσεις — για συγχρονισμό κειμένου με ήχο (επισήμανση κειμένου κατά την αναπαραγωγή). Confidence ανά τμήμα — για εμφάνιση αναξιόπιστων τμημάτων (κίτρινη επισήμανση). Για διαχωρισμό ομιλητών (ποιος μίλησε) — η Apple δεν παρέχει API, χρησιμοποιήστε pyannote-audio + Whisper στον διακομιστή.

Φωνητικές εντολές σε εφαρμογές iOS — SFSpeechRecognizer + VGS framework (Voice Grammar Services) για εκτέλεση εντολών: “ανοίξτε τις ρυθμίσεις”, “στείλτε μήνυμα”, “ανάψτε το φως”. Αναγνώριση βάσει γραμματικής: SFSpeechRecognitionRequest contextualStrings = συστοιχία εντολών. Αυτό αυξάνει την ακρίβεια αναγνώρισης εντολών στο 95% (έναντι 85% free-form). SFSpeechRecognitionTask.cancel — για διακοπή μετά την εκτέλεση εντολής. VGS + SFSpeechRecognizer + Shortcuts — προσαρμοσμένες φωνητικές εντολές χωρίς σύνταξη διεπαφής. Για προσβασιμότητα: Voice Control (ενσωματωμένο) + SFSpeechRecognizer (προσαρμοσμένες εντολές).

// Φωνητικές εντολές με συμφραζόμενες συμβολοσειρές
let request = SFSpeechAudioBufferRecognitionRequest()
request.requiresOnDeviceRecognition = true
request.shouldReportPartialResults = true
request.contextualStrings = ["open contacts", "send message",
                             "show notifications", "άναψε τον φακό"]

recognitionTask = recognizer.recognitionTask(with: request) { result, _ in
    guard let text = result?.bestTranscription.formattedString.lowercased() else { return }
    voiceCommands.first { text.contains($0) }.map { command in
        DispatchQueue.main.async { self.executeCommand(command) }
        recognitionTask?.cancel()
    }
}

Υπαγόρευση σε ιατρικές και νομικές εφαρμογές — SFSpeechRecognizer για δημιουργία δομημένων εγγράφων με φωνή. Domain Adaptation: contextualStrings με ιατρικούς/νομικούς όρους (500+ φράσεις). SFSpeechRecognitionRequest.customLmProbability — επίδραση contextualStrings (0.1–1.0). Για ιατρική υπαγόρευση χρησιμοποιήστε on-device (ιδιωτικότητα δεδομένων ασθενούς). Whisper fine-tuned σε ιατρικά δεδομένα — εναλλακτική με WER 5% αντί 12% του βασικού SFSpeechRecognizer. Συμμόρφωση HIPAA: λειτουργία on-device (τα δεδομένα δεν φεύγουν από τη συσκευή). Για μεταγραφή επισκέψεων — SFSpeechURLRecognitionRequest + segments με χρονικές σημάνσεις ομιλητή.