Web Speech API（网页语音接口）

Web Speech API(网页语音接口)是一组让网页能够处理语音的浏览器接口,由两大部分组成:将语音转为文字的语音识别,以及将文字读成声音的语音合成。它使网页无需借助原生应用即可实现语音交互。

概述

语音交互曾长期是原生应用的专属能力。Web Speech API 把这类能力带到浏览器中,前端只需调用相应接口即可让用户用语音输入,或让页面把文本朗读出来。语音合成部分在各主流浏览器中支持较好且多数可离线;语音识别部分实现差异较大,部分浏览器需将音频上传到厂商云端处理。

核心特点

• 语音识别:监听麦克风输入并返回识别文本,可设置识别语言、是否连续识别、是否返回中间结果。
• 语音合成:把文本生成语音播放,可调节语速、音调、音量,并从系统提供的多种嗓音中选择。
• 事件驱动:识别过程会触发开始、结果、结束、错误等事件,便于界面实时反馈。
• 需要用户授权:调用麦克风进行识别前,浏览器会请求用户许可,以保护隐私。

应用场景

语音识别可用于搜索框语音输入、语音填表、语音笔记和会议速记的辅助;语音合成则常见于无障碍朗读、有声阅读、导航播报以及为视障用户读出界面内容。教育类应用也用它做发音示范和听写练习。由于浏览器兼容性参差,实际项目通常会对不支持的环境提供文字输入等降级方案。

常见问题

问:语音识别一定要联网吗?答:视浏览器而定。多数浏览器的识别功能依赖厂商云端服务,需要联网并可能有隐私顾虑;而语音合成大多可在本地完成,离线也能朗读。

问:为什么不同设备读出的嗓音不一样?答:因为合成用的嗓音由操作系统与浏览器共同提供,不同平台内置的语音库不同。开发者可以列出当前可用嗓音并让用户选择,但无法保证在所有设备上完全一致。