语音交互的响应快慢直接影响用户体验，用户希望的是又快又准，即语音识别要准确及响应要快速。语音交互的整个过程：用户唤醒语音交互->APP启动录音->上传音频数据（边录边传）->上报数据传输完毕->平台语音识别及解析->把结果反馈给APP；文本主要讨论影响语音交互响应快慢的因素。
一、录音采集最短时间和最长时间
音频采集要考虑众多因素来设置录音最短时间和最长时间，当然有些平台会直接限制的（阅读平台资料可以获取到）。
录音采集最短时间：考虑你可能按下语音键，还没说话，就结束录音采集；
录音采集最长时间：不可能无限制提交数据，根据经验（大数据）设置。
录音采集最短时间是会直接影响语音交互响应的参数，一般最长时间是不什么会的。
//录音必须持续时间
private static final int RECORD_DURATION_TIME = 3 * 1000;
//录音超时时间
private final static long RECORD_TIMEOUT_MILLIS = 15 * 1000;
Handler mHandler = new Handler(Looper.getMainLooper()) {
@Override
public void handleMessage(Message msg) {
if (msg.what == WHAT_RECORD_TIMEOUT) {
isRecordTimeout = true;
//ExpectSpeech timeoutInMilliseconds
if (expectSpeechTimeoutInMilliseconds != 0) { //发送ExpectSpeechTimedOut
sendExpectSpeechTimedOutEvent();
}
if (mBtDeviceSpeechType == BT_DEVICE_SPEECH_RECOGNITION) {
mBtDeviceSpeechType = BT_DEVICE_SPEECH_RECOGNITION_NONE;
stopBluetoothSCO();
}
stopListening(true);
} else if (msg.what == WHAT_RECORD_DURATION_TIME) {
mRecordDurationReached = true;
} else if (msg.what == WHAT_WAITING_VOICE_REPLY_COMPLETE_TIME) {
mDialogRequestId = "0000";//代表取消上一条语音交互结果
waitingVoiceReplyComplete = true;
if (mForbidInteraction) {//打电话中，禁止一切交互。
return;
}
SoundUtils soundUtils = SoundUtils.getInstance(mAppContext);
soundUtils.setOnCompletionListener(new MediaPlayer.OnCompletionListener() {
@Override
public void onCompletion(MediaPlayer mp) {
checkChannelActive();
}
});
soundUtils.playSound(SoundUtils.SOUND_CANT_HEART_IT, false);
} else if (msg.what == WHAT_PLAYBACKSTARTEDEVENT) {
if (audioPlayer != null && audioPlayer.isPlaying() && mDownChannelService != null) {//mDownChannelService != null说明app没被退出
sendPlaybackStartedEvent4AudioPlayer(audioPlayer.getCurrentItem(), audioPlayer);
}
}
}
};
二、数据段上传时间
数据段上传是指在边录边传的情况下，每次上传多长的录音时间。
普及下边录边传概念，在语音交互中有两种方式提交录音的音频流数据到后台：一种是等录音全部完成后再提交数据，这种一般在时时性不高的场景，如儿童故事机；另一种就是边录边传，一边录音，一边提交录音音频流数据。
回过头来，每次上传多长的录音时间又是一个矛盾的参数，在同样大小的音频数据流中，时间片设置短了，每次提交的数据是少了，但提交的次数却多了起来；时间片设置过长，虽然上传次数少了，但因每次提交的数据量比较大，也会引起其他问题（如平台的处理、堵塞等），所以这个100ms的时间是要不断优化的。
private DataRequestBody getDataRequestBody() {
return new DataRequestBody() {
@Override
public void writeTo(BufferedSink sink) throws IOException {
while (recorder != null && recorder.getState() == AudioRecorder.State.RECORDING && !isRecordTimeout) {
if (sink != null && recorder != null) {
sink.write(recorder.consumeRecording());
sink.flush();
}
try {
Thread.sleep(100);
} catch (InterruptedException e) {
e.printStackTrace();
}
}
mHandler.removeMessages(WHAT_RECORD_TIMEOUT);
}
};
}
三、VAD时间
VAD使用短时能量判断规则，短时能量可以直接反应出语音信号能量及幅度大小，进而可以对有声段和无声段进行判断，数据分析处理软件APP动态寻找每个帧与之前的音频帧中的最大能量值。
音频信号是一个非稳态、时变的信号，为了取得更准确的计算结果，我们认为其在“短时间”范围内是稳态、时不变的，这个时间， 一般数据分析处理软件APP将每一帧的音频信号的持续时间设置为10ms。
private long getRms(int end, int span) {
int begin = end - span;
if (begin < 0) {
begin = 0;
}
if (begin % 2 != 0) {
begin++;
}
long sum = 0;
for (int i = begin; i < end; i += 2) {
short curSample = getShort(this.mRecording[i], this.mRecording[i + 1]);
sum += (long) (curSample * curSample);
}
return sum;
}
后面的音频帧只要小于最大能量帧*门限值（M），当前短时能量小时，就动态调小门限值，当音量衰减的幅值太大，就定义为非语音帧，启动非语音计数,非语音帧连续计数达200，相当于停顿2秒，则表示讲话结束，若中间有语音帧数据，则计数器复位，重新计数。
private static final int RMS_COUNT_MAX = 200; // 2s
long rms = getRms(this.mRecordedLength, this.mOneSec);
if (rms > this.highestRMS) {
this.highestRMS = rms;
this.rmsCount = 0;
return false;
} else if (((double) rms) < 0.5d * ((double) this.highestRMS)) {
if(this.rmsCount < RMS_COUNT_MAX){
this.rmsCount++;
return false;
}else{
this.rmsCount = 0;
return true;
}
} else {
this.rmsCount = 0;
return false;
}
VAD有效取值可以大大的减少非语音帧的传输和处理，提高了效率。
四、网络问题
网络的差异就很好理解了，不同的网络接入点，不同的时段测试都可能会影响结论的，只有使用同一个接入点，同一时间测试，才能减少网络差异引起的问题。
五、手机差异性
Android系统的开放性也造成了Android手机硬件一致性非常差，从而形成的差异性（兼容性），一个WiFi模块15块能买到，8块也能买到，价格不同，性能当然也会不一样的，所以只能多拿主流手机测试验证。