17370845950

C#语音识别关键取决于场景、效果与联网需求：离线命令用System.Speech.Recognition（需.NET Framework+语言包），高精度在线用Microsoft.CognitiveServices.Speech SDK（需Azure密钥+区域配置），离线鲁棒识别用Whisper.Net（需手动下载模型+NAudio录音）。

C# 做语音识别，关键不在“能不能”，而在“用什么场景、要什么效果、连不联网”——选错方案，轻则识别不准、中文崩盘，重则部署失败、麦克风静音。

用 System.Speech.Recognition 快速跑通离线命令识别

这是 .NET Framework 自带的本地引擎，不用联网、不依赖云密钥，适合做“打开/关闭/播放”这类固定指令识别，但对自由说话、长句、口音、背景噪音容忍度极低。

• 必须用 .NET Framework 4.7.2+（不是 .NET Core / .NET 5+），否则 SpeechRecognitionEngine 类根本不存在
• 系统得装对应语言的语音识别语言包（例如中文需安装“中文（简体）语音识别语言包”，Windows 设置 → 时间和语言 → 语音 → 下载语言）
• 语法必须预定义：Choices 只支持有限词表，不能直接识别任意句子；想识别自由文本，得用 DictationGrammar()，但准确率断崖式下降
• 麦克风权限默认不弹窗，若识别无声，先检查 Windows 隐私设置 → 麦克风 → 允许此设备的应用访问麦克风

using System.Speech.Recognition;
using System;
var recognizer = new SpeechRecognitionEngine();
recognizer.SetInputToDefaultAudioDevice();
recognizer.LoadGrammar(new DictationGrammar()); // 注意：非命令模式，精度差
recognizer.SpeechRecognized += (s, e) => Console.WriteLine($"听到了：{e.Result.Text}");
recognizer.RecognizeAsync(RecognizeMode.Multiple);
Console.ReadLine();

用 Microsoft.CognitiveServices.Speech SDK 实现高精度在线识别

这是微软官方推荐的现代方案，支持实时流式识别、多语种、标点自动恢复、说话人分离，但必须联网 + Azure 订阅密钥 + 正确区域配置，否则会卡在 Connection failed 或报错 Invalid region。

• NuGet 安装：Microsoft.CognitiveServices.Speech（注意不是过时的 Microsoft.Bing.Speech）
• SpeechConfig.FromEndpoint() 中的 URL 格式必须是 https://.stt.speech.microsoft.com/...，常见错误是把 LUIS 或 TTS 的 endpoint 粘过来
• 中文识别需显式设置语言：speechConfig.SpeechRecognitionLanguage = "zh-CN"，否则默认英文，中文输入全变乱码或空结果
• 麦克风识别必须用 AudioConfig.FromDefaultMicrophoneInput()，别手误写成 FromFileInput —— 那是读文件，不是听你说话

var speechConfig = SpeechConfig.FromSubscription("your-key", "eastasia");
speechConfig.SpeechRecognitionLanguage = "zh-CN";
using var audioConfig = AudioConfig.FromDefaultMicrophoneInput();
using var recognizer = new SpeechRecognizer(speechConfig, audioConfig);
Console.WriteLine("请说话...");
var result = await recognizer.RecognizeOnceAsync();
Console.WriteLine($"识别结果：{result.Text}");

用 Whisper.Net 做真正离线、高鲁棒性的中文识别

如果你需要离线、能听清带口音/轻微噪音的日常对话（比如会议录音转文字），又不想被 Azure 配额或网络限制卡住，Whisper.Net 是目前 C# 生态里最靠谱的选择——但它不是“装完 NuGet 就能用”，模型文件得手动下载，路径一错就抛 FileNotFoundException。

• 必须同时安装两个 NuGet 包：Whisper.net 和对应平台的 Whisper.net.Runtime（如 Whisper.net.Runtime.Windows.x64）
• 模型文件（如 ggml-base-zh.bin）需从 Whisper.Net GitHub Releases 下载，放在项目输出目录（bin/Debug），并确保 new WhisperFactory().CreateBuilder().WithModelPath(...) 指向正确路径
• 它不直接支持麦克风实时流，得用 NAudio 录一段 WAV 再喂给识别器；采样率必须为 16kHz 单声道，否则报错 Unsupported audio format
• 首次加载模型慢（几百 MB 模型加载需数秒），别在 UI 线程直接 new，容易假死

别踩这些真实发生过的坑

很多“识别没反应”问题，其实跟语音算法无关，而是环境或权限链断裂：

• SpeechRecognitionEngine 报 InvalidOperationException: No recognizer of the required ID found → 系统没装语言包，或装了但没设为默认输入语言
• SpeechRecognizer 一直卡在 Recognizing 状态不回调 → 麦克风被其他程序独占（如 Teams、Zoom），或 Windows 音频服务崩溃（可重启 Windows Audio 服务）
• Whisper.Net 加载模型后识别全是乱码或空字符串 → 模型文件损坏，或用了英文模型（ggml-base.en.bin）强行识中文
• 腾讯云/百度 API 返回 invalid voice format → 音频不是 16k/16bit/单声道，或 Base64 编码时丢了换行符（要用 Convert.ToBase64String(bytes, Base64FormattingOptions.None)）

真正的难点从来不是写那几行识别代码，而是搞清楚你到底要让程序“听懂命令”还是“听懂人话”，再据此锁死运行环境、语言包、音频链路和错误处理边界——漏掉其中一环，整套流程就静音。