我怎么用短剧声控助手拆解离线语音识别与无障碍实现?

1 阅读4分钟

在公司午休的十五分钟,我把手机放在桌面上,准备一通剧集,结果突然想起一句话:不想手忙脚乱,想把手留给自己。于是我打开短剧声控助手,开始思考它到底是怎么做到“说一句,屏幕自己动”的。下面跟着我一起拆解它的核心技术细节。

▍ 1. 离线语音识别模型随安装包内置

  • 这款工具把识别模型直接打包进 11.2 MB 的 APK。
  • 语音识别完全在本机完成,不需要网络。
  • 这意味着无论你在飞行模式还是无信号,依旧能用。

技术思路:

  • 采用轻量级的模型如 Tiny‑TTS 或者 Vosk‑小模型,模型文件一般在几兆。
  • 启动时,APK 解压模型到内部存储的缓存文件夹,或者直接把模型文件取出到 assets 下,使用 AssetFileDescriptor 读取。
  • 只在播放视频时打开麦克风,用 AudioRecord 捕获声波,送入模型。

▍ 2. 无障碍服务模拟手势

  • 需要用户授权无障碍权限,系统会弹出“监测您的操作/检索窗口内容/执行手势”的提示。
  • 一旦开启,短剧声控助手可以通过 AccessibilityService 的 dispatchGesture 或 performGlobalAction 发送滑动事件。

技术细节:

  • 通过 AccessibilityNodeInfo 找到当前聚焦的视图,或者直接使用全局滑动。
  • 滑动坐标点在屏幕尺寸上做比例计算,保证在不同分辨率上都能精准滑动。
  • 只在 “追剧应用” 列表里激活,列表分“最近在看”和“系统识别的视频应用”,可单独关闭。

▍ 3. 两字以上口令为什么更稳

  • 语音识别的错误率与口令长度有关。
  • 单字容易被对白或旁人说话误触发。
  • 通过词典匹配两词以上指令,过滤掉常见的单字词。

实现方式:

  • 将指令词表设为 ["上滑","下一集","向上","下滑","上一集","向下","左滑","向左","右滑","向右","暂停","停止","停下","别放了","点屏幕中心","继续","开始","接着放"]。
  • 在识别结果中搜索完整词组,如果没有匹配则不执行任何动作。

▍ 4. 2.5 秒内只响应一次的暂停/继续

  • 为防止“暂停”跟“继续”连喊导致两次触发,设置一次性窗口。

实现思路:

  • 记录最后一次暂停/继续的时间戳。
  • 当新的同类指令到来时,先判断距离上一次是否小于 2.5 秒,若是则忽略。
  • 这段时间内即使用户多说,也只会执行一次。

▍ 5. 悬浮面板的实现

  • 在视频播放时,工具会在屏幕上方/左/右显示一个 60 秒后自动收起的浮窗。

技术细节:

  • 用 WindowManager 创建 TYPE_APPLICATION_OVERLAY 视图,设置布局参数 gravity 可选。
  • 通过 postDelayed 在 60 秒后调用 removeView。
  • 面板中显示今日操作次数,数据来自内部统计,刷新每次滑动后。
  • 点击面板可跳回主界面,使用 startActivity 启动主 Activity。

▍ 6. 下载与安装流程

  • 直接在浏览器里打开下载页,点击绿色“下载安装”按钮。
  • 如果提示“应用备案状态未知”,点“继续安装”。
  • 安装后第一步是开启无障碍:
    1. 在 App 内点击“开启只要 3 步”引导。
    2. 跳转到系统无障碍设置,滑到最底部,点 “已安装的服务”。
    3. 找到 “短剧声控助手” 打开开关。
    4. 系统弹窗提示,点确定。

下面是我自己手机上的完整过程,每一步都配了实拍截图,照着点就行。

下载页在这儿,整行复制到浏览器打开就能用:

aixls.net/duanju/

▍ 7. 体验与局限

  • 我的手机实测累计上滑 248 次,下滑 113 次,暂停 72 次,继续 47 次,右滑 27 次,左滑 7 次。
  • 悬浮面板单次观看可记录到 224 次。
  • 在嘈杂环境下识别率会下降。
  • 目前只能执行六种预设动作,不能精准拖拽或缩放。
  • 语音比手指慢,且对白里出现指令词会误触。

结语
短剧声控助手把离线语音识别跟无障碍手势做了不错的结合。它的核心机制——“说一句,屏幕自己动”,背后是离线模型、精准的手势模拟以及弹性响应窗口。对于想在忙碌中保持观看的你,或是想在厨房、健身房甚至被窝里翻页,这个小工具真的是一把“手忙时的救星”。如果你也想用它来轻松翻页,试试上述下载与安装步骤吧。


本文首发于 aixls.net 博客 · 相关工具:短剧声控助手下载页(aixls.net/duanju)