快速体验

在开始今天关于 Android开发实战：语音助手如何优雅处理其他App音量冲突 的探讨之前，我想先分享一个最近让我觉得很有意思的全栈技术挑战。

我们常说 AI 是未来，但作为开发者，如何将大模型（LLM）真正落地为一个低延迟、可交互的实时系统，而不仅仅是调个 API？

这里有一个非常硬核的动手实验：基于火山引擎豆包大模型，从零搭建一个实时语音通话应用。它不是简单的问答，而是需要你亲手打通 ASR（语音识别）→ LLM（大脑思考）→ TTS（语音合成）的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说，这是个绝佳的练手项目。

从0到1构建生产级别应用，脱离Demo，点击打开 从0打造个人豆包实时通话AI动手实验

Android开发实战：语音助手如何优雅处理其他App音量冲突

在开发Android语音助手时，经常会遇到一个头疼的问题：当语音助手需要播报内容时，其他正在播放音乐的App（比如Spotify或网易云音乐）会继续大声播放，导致用户听不清语音提示。更糟糕的是，有些开发者会直接粗暴地将其他App静音，这种体验就像突然掐断别人的谈话一样不礼貌。

音频焦点机制：Android的解决方案

Android系统其实早就为我们准备了优雅的解决方案——AudioFocus机制。这就像会议室里的发言权，当一个应用获得焦点时，其他应用应该根据规则调整自己的行为。

AudioFocus vs MediaSession

• AudioFocus：适用于需要临时控制音频的场景，比如导航提示、语音助手响应等短暂音频播放
• MediaSession：更适合音乐播放器等需要长时间控制音频的应用

对于语音助手这种短暂音频场景，AudioFocus是更合适的选择。它允许我们请求临时音频控制权，而不会完全剥夺其他应用的播放能力。

核心代码实现

让我们看看如何在Kotlin中正确实现音频焦点管理：

class VoiceAssistantService : Service() {
    private lateinit var audioManager: AudioManager
    private var currentFocusState = AudioManager.AUDIOFOCUS_NONE
    
    override fun onCreate() {
        super.onCreate()
        audioManager = getSystemService(AUDIO_SERVICE) as AudioManager
    }
    
    private fun requestAudioFocus(): Boolean {
        val result = audioManager.requestAudioFocus(
            focusChangeListener,
            AudioManager.STREAM_MUSIC,
            AudioManager.AUDIOFOCUS_GAIN_TRANSIENT_MAY_DUCK
        )
        
        return result == AudioManager.AUDIOFOCUS_REQUEST_GRANTED
    }
    
    private val focusChangeListener = AudioManager.OnAudioFocusChangeListener { focusChange ->
        when (focusChange) {
            AudioManager.AUDIOFOCUS_GAIN -> {
                // 重新获得焦点，可以恢复播放
                currentFocusState = AudioManager.AUDIOFOCUS_GAIN
            }
            AudioManager.AUDIOFOCUS_LOSS_TRANSIENT -> {
                // 暂时失去焦点，应该暂停播放
                currentFocusState = AudioManager.AUDIOFOCUS_LOSS_TRANSIENT
            }
            AudioManager.AUDIOFOCUS_LOSS -> {
                // 完全失去焦点，应该停止播放并释放资源
                currentFocusState = AudioManager.AUDIOFOCUS_LOSS
                abandonAudioFocus()
            }
        }
    }
    
    private fun abandonAudioFocus(): Boolean {
        return audioManager.abandonAudioFocus(focusChangeListener) == 
            AudioManager.AUDIOFOCUS_REQUEST_GRANTED
    }
}

这段代码展示了音频焦点管理的核心流程：

1. 使用AUDIOFOCUS_GAIN_TRANSIENT_MAY_DUCK标志请求焦点，这个标志告诉系统我们只需要临时控制权，并允许其他应用降低音量继续播放
2. 实现OnAudioFocusChangeListener来响应焦点变化
3. 在不需要时正确释放音频焦点

关键细节与避坑指南

1. 选择合适的音频流类型

在请求音频焦点时，我们使用了STREAM_MUSIC，这是最常见的音乐和媒体播放流类型。根据你的应用场景，可能需要选择其他类型：

• STREAM_VOICE_CALL：语音通话
• STREAM_ALARM：闹钟
• STREAM_NOTIFICATION：通知音

2. 处理Android O+的变化

从Android 8.0开始，音频焦点行为有了一些变化：

if (Build.VERSION.SDK_INT >= Build.VERSION_CODES.O) {
    val focusRequest = AudioFocusRequest.Builder(AudioManager.AUDIOFOCUS_GAIN_TRANSIENT_MAY_DUCK)
        .setAudioAttributes(AudioAttributes.Builder()
            .setUsage(AudioAttributes.USAGE_ASSISTANT)
            .setContentType(AudioAttributes.CONTENT_TYPE_SPEECH)
            .build())
        .setAcceptsDelayedFocusGain(true)
        .setOnAudioFocusChangeListener(focusChangeListener)
        .build()
    
    val result = audioManager.requestAudioFocus(focusRequest)
} else {
    // 使用旧版API
}

3. 避免常见错误

• 不要在onAudioFocusChange中执行耗时操作：这个回调是在音频系统的关键路径上调用的，耗时操作可能导致音频卡顿
• 正确处理焦点丢失：保存当前播放状态，以便在重新获得焦点时恢复
• 及时释放焦点：在不需要时调用abandonAudioFocus，避免长时间占用

性能优化建议

音频焦点切换的延迟对用户体验至关重要。根据测试数据：

1. 普通设备上焦点切换通常需要50-100ms
2. 低端设备可能达到200ms以上

优化建议：

• 预请求焦点：在预计需要播放前提前请求
• 使用延迟焦点：Android 8.0+支持延迟获得焦点
• 减少焦点切换频率：合并多个语音提示

进阶思考：与MediaBrowserService集成

对于更复杂的语音助手应用，可以考虑与MediaBrowserService集成，实现：

1. 统一的媒体控制界面
2. 更好的后台播放支持
3. 与其他媒体应用的协同工作

这种架构虽然复杂，但能提供更专业的音频管理能力，适合需要长时间语音交互的场景。

如果你想进一步探索Android音频开发，可以尝试从0打造个人豆包实时通话AI这个实验项目，它涵盖了从语音识别到语音合成的完整音频处理流程，对理解Android音频系统很有帮助。我在实际操作中发现，通过这个实验可以快速掌握音频处理的核心技术点，特别适合想要深入音频开发的Android程序员。

实验介绍

这里有一个非常硬核的动手实验：基于火山引擎豆包大模型，从零搭建一个实时语音通话应用。它不是简单的问答，而是需要你亲手打通 ASR（语音识别）→ LLM（大脑思考）→ TTS（语音合成）的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说，这是个绝佳的练手项目。

你将收获：

• 架构理解：掌握实时语音应用的完整技术链路（ASR→LLM→TTS）
• 技能提升：学会申请、配置与调用火山引擎AI服务
• 定制能力：通过代码修改自定义角色性格与音色，实现“从使用到创造”

从0到1构建生产级别应用，脱离Demo，点击打开 从0打造个人豆包实时通话AI动手实验