Web Speech API 实战:用浏览器原生能力做语音识别与语音合成(SpeechRecognition 与 speechSynthesis)

#WebSpeechAPI实战:用浏览器原生能力做语音识别与语音合成(SpeechRecognition与speechSynthesis)去年年底我接了个内部工具的需求,说白了就是做一个"能听会说的网页助手":用户对着麦克风…

Web Speech API 实战:用浏览器原生能力做语音识别与语音合成(SpeechRecognition 与 speechSynthesis)

去年年底我接了个内部工具的需求,说白了就是做一个"能听会说的网页助手":用户对着麦克风说一句,页面把话变成文字,再张嘴把回答念出来。我当时拍着胸脯跟产品说,这活儿简单,浏览器自带的 Web Speech API 两套接口一拼,半天就能交。

现在回头看,我当时的自信完全来自无知——我以为"浏览器原生"就等于"简单可靠",实际上原生只意味着"不用装依赖",跟好不好用是两码事。结果那半天,我硬生生熬成了两个通宵。坑一个接一个:识别器在 Chrome 里死活要写 webkitSpeechRecognition前缀;音色列表getVoices() 第一次拿回来是空数组,我一度以为浏览器坏了;页面跑在 HTTP 上麦克风直接被拒;更离谱的是我照着某篇教程抄代码,写成了 uttervoice.pitch = 1,一个不存在的对象,控制台报错报得我怀疑人生。等我终于把那个"能听会说"的 demo 跑起来,我才明白:这套 API 用起来是真简单,但它的坑,全藏在你以为"应该没问题"的地方。

所以今天这篇,我不打算上来就给你甩定义。那些"本质是某某接口""通过某某方法实现"的套话,我尽量少说,因为踩坑的时候这些东西一点用都没有。我按"我踩过的坑 + 能直接跑的代码"来讲,把语音识别(SpeechRecognition)和语音合成(speechSynthesis)这两块拆开揉碎,最后再拼成一个闭环。你看完能少走我走过的弯路,这文章就没白写。

一句话答案:Web Speech API 是浏览器原生能力,包含 SpeechRecognition(语音转文字)和 speechSynthesis(文字转语音)两部分,纯前端、无需后端、不上传音频;但只在 HTTPS/localhost 下可用,识别目前主要靠 Chromium 内核,音色加载、权限、自动播放限制都得自己兜底。

一、动手之前,先给浏览器做个体检

我的第一个教训就是"想当然"。我默认所有浏览器都支持,结果测试同学的 Safari 直接白屏。Web Speech API 的识别和合成是两套完全独立的接口,支持情况不一样,必须分开检测。这一点特别重要,别用一个if糊弄过去。

检测的写法很简单,就是看window上挂没挂对应的构造器:

js
复制
// 语音能力体检:识别与合成是两套独立 API,必须分开检测const canRecognize = 'SpeechRecognition' in window || 'webkitSpeechRecognition' in window;const canSpeak = 'speechSynthesis' in window;// 别只 console.error,给用户一句看得懂的人话if (!canRecognize) { console.warn('当前浏览器不支持语音识别,建议换 Chrome 或 Edge');}if (!canSpeak) { console.warn('当前浏览器不支持语音合成,无法朗读内容');}// 把结果写到页面上,作为功能开关的依据document.querySelector('#micBtn').disabled = !canRecognize;document.querySelector('#speakBtn').disabled = !canSpeak;

关于兼容性,我建议动手前先扫一眼MDN 的 SpeechRecognition 文档和caniuse 的支持表。现实情况我替你总结了:语音识别目前基本只有 Chrome、Edge 这类 Chromium 内核原生支持,Firefox 和 Safari 要么不支持要么实验性开启;语音合成支持面广一些,Chrome、Edge、Safari 都能用,但音色质量参差,移动端更是限制一堆。所以这套方案适合做内部工具、原型、教育类项目,真要做生产级跨平台产品,得有降级预案。

我还吃过一次想当然的亏:把识别器直接塞进一个后台管理页,结果测试同学用的是 Firefox,点了按钮什么反应都没有,控制台一片安静,连个报错都懒得给。后来才反应过来,Firefox 压根没实现 SpeechRecognition。那次之后我养成习惯,凡是浏览器原生 API,先查支持情况再动手,别信"现代浏览器都支持"这种话。Web Speech API 尤其特殊,它不是一个 API 而是两个,识别那边支持面窄,合成那边支持面宽,混为一谈迟早翻车。所以前面那段体检代码,我建议你原封不动抄进项目,别省这几行。

<>

二、语音识别:让网页"听懂"你说的话

识别这块的核心是 SpeechRecognition 接口。我把它拆成"创建实例—配置参数—绑定事件—启动"四步,每一步都有我踩过的坑。

2.1 创建实例:那个甩不掉的 webkit 前缀

我最初写new SpeechRecognition(),本地 Chrome 跑得好好的,一到测试环境就报 SpeechRecognition is not defined。原因就是前缀问题——很多浏览器至今仍只暴露带webkit前缀的版本。稳妥写法永远是两者兜底:

js
复制
// 兼容前缀:Chrome 早期只认 webkit 版本,至今仍需兜底const SpeechRecognition = window.SpeechRecognition || window.webkitSpeechRecognition;const recognition = new SpeechRecognition();recognition.lang = 'zh-CN'; // 不显式设语言,大概率给你识别成英文腔recognition.continuous = false; // 先单次识别,长监听后面单独处理recognition.interimResults = true; // 打开临时结果,才能"边说边出字"recognition.onresult = (event) => { // event.results 是 SpeechRecognitionResultList,得先转成数组 const text = Array.from(event.results) .map(result => result[0].transcript) // 每段取第一个候选结果 .join(''); console.log('听到的是:', text);};// 关键:start() 必须由用户点击触发,页面加载即调用会被权限策略拦截document.querySelector('#micBtn').addEventListener('click', () => { recognition.start();});

这里lang我强烈建议显式写zh-CN。偷懒不写的话,识别引擎很可能默认按英文处理,你说中文它给你蹦出一串莫名其妙的英文单词,别问我怎么知道的。

2.2 四个关键配置,直接决定体验

配置不多,但每一个都对应一个真实痛点,我逐个说:

  • continuous:设为true会持续识别,说完停顿后自动接着听,适合长对话;设为false(默认)则识别一次就结束。我一开始图省事设了true,结果用户不说话的时候麦克风一直开着,指示灯常亮,体验很差,还会被 Chrome 自动掐断。
  • interimResults:开启后会先返回isFinal: false的临时文本,能做"边说边显示"的效果;关掉则只给最终文本。做输入类场景一定要开,用户能看见字在往外蹦,心里踏实。
  • lang:语言代码,zh-CN、en-US这类,必须写明。
  • maxAlternatives:每段语音返回几个候选结果,默认 1,通常最大能到 10。做纠错候选时有用,但别一上来就设很大,返回数据会变臃肿。

2.3 边说边出字:分清临时结果和最终结果

这是让我纠结最久的一块。event.results里混着"已定稿"和"还在变"两种结果,如果不区分,你看到的文字会不停抖动、被改写。正确做法是用isFinal把它们拆开:

js
复制
recognition.onresult = (event) => { let finalText = ''; // 已经定稿的文字,追加保存 let interimText = ''; // 临时文字,随时可能被改写 // 从 resultIndex 开始遍历,避免重复处理已有结果 for (let i = event.resultIndex; i < event.results.length; i++) { const item = event.results[i]; const piece = item[0].transcript; if (item.isFinal) { finalText += piece; // 最终结果:写进输入框 } else { interimText += piece; // 临时结果:显示在"正在听…"提示区 } } transcriptBox.value += finalText; // 定稿内容累加 interimBox.textContent = interimText; // 临时内容覆盖显示};

这套写法我在实战里用了很久,finalText累加到正式文本框,interimText单独放一个灰色的提示区,视觉上就很清楚哪些是确认过的、哪些还在识别中。

2.4 事件全集:把状态管理做扎实

识别器有一串事件,用好它们,UI 反馈才自然。我早先只监听了 onresult,用户完全不知道麦克风到底开没开,投诉不断。后来补齐了这些:

js
复制
recognition.onstart = () => setStatus('正在听,请说话…'); // 麦克风已启用recognition.onsoundstart = () => setStatus('检测到声音'); // 可驱动声波动画recognition.onsoundend = () => setStatus('声音结束,处理中…');recognition.onerror = (event) => { // event.error 常见值:no-speech / not-allowed / network / aborted console.error('识别出错:', event.error); setStatus('出错了:' + event.error);};recognition.onend = () => { setStatus('本次识别已结束'); // continuous=false 时说一句就停;想连续听就在这里重启 if (shouldKeepListening) recognition.start();};// 两个停止方法别搞混:stop() 保留已有结果,abort() 直接丢弃function stopRecognition() { recognition.stop(); }function abortRecognition() { recognition.abort(); }

这里有个大坑我必须单独讲:Chrome 会在长时间无声音后自动结束识别会话,触发onend。如果你想要"一直听"的效果,就得在onend里重新start()。但千万别无脑无限重启,用户可能已经离开了页面,所以要有shouldKeepListening这种开关来控制。还有个隐蔽现象:onend在用户主动stop()、超时、网络错误时都会触发,你在onerror里记录的错误原因,到onend里已经拿不到了。我一般会用一个变量把上次错误存下来,onend里判断一下,是not-allowed就别再傻乎乎重启了——权限都被拒了,重启一百次也是白搭,纯属自我感动。

三、语音合成:让网页"开口说话"

说完"听",再说"说"。合成这块比识别简单,因为它不需要麦克风权限,但也有自己的脾气。

3.1 基础播放:四行代码就能开口

最简单的合成,创建SpeechSynthesisUtterance对象,设置参数,交给speechSynthesis.speak()就行。记住我开头踩的那个uttervoice的坑,对象名是utterance:

js
复制
function speak(text) { const utterance = new SpeechSynthesisUtterance(text); utterance.lang = 'zh-CN'; // 语言要和音色匹配,否则用中文音色读英文会很难听 utterance.rate = 1; // 语速:1 为正常,0.5 慢,2 快 utterance.pitch = 1; // 音高:注意是 utterance.pitch,别写成不存在的对象 utterance.volume = 1; // 音量:0 ~ 1 speechSynthesis.speak(utterance);}// 调用示例:注意这类自动发声通常要求用户先有过点击操作speak('你好,我是你的语音助手');

rate、pitch、volume这三个参数很好玩,调一调能做出"机器人音""萝莉音"之类的效果,调试的时候我玩了半天差点忘了正事。

3.2 getVoices() 返回空数组:最坑的一个异步陷阱

这是整篇文章我最想让你记住的坑。Chrome 里第一次调用 speechSynthesis.getVoices(),经常返回空数组——音色是异步加载的,页面刚起来的时候还没准备好。我当时以为没音色可用,差点点了一堆第三方 TTS 的坑。

正确做法是监听voiceschanged事件,等音色就绪再播放:

js
复制
function speakWithChineseVoice(text) { const synth = window.speechSynthesis; let voices = synth.getVoices(); if (voices.length === 0) { // 音色是异步加载的:监听 voiceschanged,别用 setTimeout 碰运气 synth.addEventListener('voiceschanged', () => { voices = synth.getVoices(); play(voices); }, { once: true }); // once 避免事件重复触发导致重复播放 } else { play(voices); } function play(list) { const u = new SpeechSynthesisUtterance(text); // 优先挑中文音色,找不到就退回第一个,再找不到就直接读 const cn = list.find(v => v.lang.toLowerCase().includes('zh')) || list[0]; if (cn) u.voice = cn; u.lang = 'zh-CN'; speechSynthesis.speak(u); }}

这里还藏着一个细节:不同系统装的音色完全不一样,用户 A 的电脑有温柔女声,用户 B 的电脑可能只有机械音。所以选音色一定要有兜底逻辑,别假设一定存在某个具体名字的音色。

3.3 播放控制与队列:让多句话按顺序说

浏览器朗读是异步的,如果你连续speak()三句,有的浏览器会排队,有的会直接覆盖,行为不一致。稳妥做法是自己维护队列,等上一句的onend再播下一句:

js
复制
const synth = window.speechSynthesis;// 播报队列:等 onend 再播下一句,保证顺序稳定function speakQueue(lines) { let index = 0; function next() { if (index >= lines.length) return; const u = new SpeechSynthesisUtterance(lines[index++]); u.lang = 'zh-CN'; u.onend = next; // 读完这句,自动读下一句 u.onerror = () => { index = lines.length; }; // 出错就清空队列,防止卡死 synth.speak(u); } next();}speakQueue(['第一句:欢迎使用', '第二句:请说话', '第三句:再见']);// 全局控制三件套// synth.pause(); // 暂停// synth.resume(); // 恢复// synth.cancel(); // 取消全部;长文本假死时,这个函数常能救场

补充一个真实的坑:Chrome 朗读超过一定长度的文本时会出现"卡住不发声"的假死状态,社区里流传的偏方是 pause()再resume(),或者干脆cancel() 重来。我在项目里也对长文本做了切片处理,一段一段喂给队列,比一次性塞一大段稳得多。关于"假死"再多说一句:这问题在 Chrome 桌面端偶发,长文本、切后台标签页都容易触发,排查时特别容易被误判成"代码没执行"。我第一次遇到时盯着控制台看了半小时,事件一个没漏,声音就是不出来,最后 cancel()一下才活过来。所以做长文本朗读,切片加onend驱动的队列几乎是必选项,别偷懒一次性全塞进去。

四、串成闭环:一个能听会说的语音助手

把"识别"和"合成"接起来,就是一个"听—理解—回应"的闭环:识别到文字后走一段简单的关键词匹配,生成回复文本,再用合成念出来。这就是我那篇文章源头上要做的东西,也是同名技术的经典练手项目。

js
复制
// 一个最小可用的"听—理解—回应"闭环const SR = window.SpeechRecognition || window.webkitSpeechRecognition;const recognition = new SR();recognition.lang = 'zh-CN';recognition.continuous = false; // 每次说一句,避免长时间占用麦克风let lastHandledAt = 0;recognition.onresult = (event) => { const text = Array.from(event.results) .map(r => r[0].transcript).join(''); const now = Date.now(); if (now - lastHandledAt < 1500) return; // 防重复触发:1.5 秒内不重复回应 lastHandledAt = now; respond(text);};recognition.onend = () => recognition.start(); // 说完自动进入下一轮监听function respond(text) { let reply = '抱歉,我没听懂,可以说得慢一点吗?'; if (text.includes('你好')) reply = '你好呀,有什么可以帮你的?'; else if (text.includes('时间')) reply = '现在是 ' + new Date().toLocaleTimeString(); else if (text.includes('天气')) reply = '今天天气晴朗,适合出门走走。'; speak(reply); // 复用前面写好的语音合成函数}// 必须由按钮点击启动,别在页面加载时就自动 start()document.querySelector('#startBtn') .addEventListener('click', () => recognition.start());

那个lastHandledAt的防重复判断看着不起眼,实际非常关键。因为onresult在临时结果阶段也会触发,如果你不节流,用户一句话会被回应三四次,页面跟机关枪似的"你好呀你好呀你好呀",非常尴尬。这算是我用一次社死换来的经验。

至于界面上"正在听""识别中""正在回答"这些状态切换,我一开始全靠堆内联样式和[!important](/article/details/32.html)硬压优先级,后来越改越乱。如果你也被样式覆盖折磨过,可以看看CSS @layer 级联层实战:用层级掌控样式优先级(告别 !important 与权重战争),用层级把状态样式的优先级管起来,代码会清爽很多。

五、那些让我加班到半夜的坑(注意事项与优化)

把上面的代码跑通只是第一步,真正上线会被下面这些细节教做人。我按踩坑频率排了个序:

  1. 必须 HTTPS 或 localhost。语音识别要用麦克风,浏览器只在安全上下文里放行。页面跑在http://域名下,麦克风权限直接被拒,onerror给你一个not-allowed。本地开发用localhost 没问题,上线一定配好 HTTPS。
  2. 用户授权不能省。第一次使用会弹麦克风授权,最好提前用文案引导一下,别让用户一脸懵地看到系统弹窗就点拒绝。
  3. 浏览器会自动暂停长识别。前面说过,长时间没声音onend就来了,想持续听就得手动重启,务必配开关。
  4. 移动端兼容性差。iOS Safari 对语音识别基本不支持,Android Chrome 虽然支持但常被系统省电策略掐断。语音合成在移动端大多要求用户手势触发,别指望自动播放。
  5. 返回的是纯文本,没有标点。识别结果是一串连续文字,不会自动加逗号句号。做展示或后处理时得自己断句,稍微有点门槛。我当时的土办法是拿到文本后再正则切一刀,虽然粗糙,但比原样甩给用户看强。要是你对断句质量要求高,就得引一层 NLP 处理或者干脆让后端模型补标点,纯浏览器这套 API 是不会替你操这个心的。
  6. 中文识别精度有限。日常短句还行,长句、专业术语、方言容易翻车,噪音环境下更明显。需要高准确率、离线、跨平台稳定,就得上 WebAssembly 语音模型(比如 Vosk)或者云服务(阿里云智能语音、讯飞开放平台这类)。
  7. 权限图标与隐私提示。用麦克风时地址栏会出现图标,用户会很敏感,产品层面要做好说明,别让人觉得你在偷偷录音。

另外,如果你的页面会在多个标签页同时打开识别,多个识别器抢同一个麦克风会互相干扰。这种"同一时刻只能有一个在跑"的场景,本质上是个资源竞争问题,可以看看Web Locks API 实战:用 navigator.locks 解决多标签页资源竞争(排他锁与共享锁),用排他锁把识别器锁住,谁拿到锁谁说话。

识别出来的转写文本,很多时候是要落地保存的——比如做个语音笔记。纯前端就能搞定,直接借File System Access API 实战:让网页直接读写本地文件(showOpenFilePicker 与 createWritable) 的思路,把文本写进用户本地文件,连后端都省了。至于服务端那一侧,如果要把大量转写任务做并发编排、协作式调度,前端走 Web Workers,PHP 后端那头则可以参考 PHP 8.1 Fibers 纤程实战:用原生协程实现协作式多任务(Fiber 与调度器),两套思路能对齐。

五点五、进阶实战:把语音能力塞进真实业务

5.5.1 interimResults 中间结果实时上屏:别让页面像抽搐

这个坑我到现在还记得清清楚楚。interimResults 打开之后,onresult 会被高频触发,我一开始图省事,每次都把 event.results 里所有片段拼起来直接覆盖到页面,结果用户每说一个字,整句话就抖一下,视觉上像在抽搐。后来我才搞明白,event.results 里既有 isFinal 为 true 的定稿结果,也有 isFinal 为 false 的临时结果,它们混在一起返回。正确的做法是分两条路处理:定稿的累加进正式文本框,临时的单独放到预览区。还有个更阴的坑,拼字符串时我用了 result[0].transcript,但同一段语音的多个候选 result[1]、result[2] 不应该被拼进去,否则一句话会重复好几遍,看起来像结巴。另外 event.resultIndex 一定要用上,只遍历本次新增的片段,从头遍历会导致早期片段被反复追加,文本框里全是复读机一样的内容。我那版差点就这么上线了,提测前自查才发现,赶紧改掉,不然用户还以为我偷偷写了语音循环播放的彩蛋。

js
复制
// 中间结果上屏:定稿累加、临时预览、按 resultIndex 增量遍历recognition.interimResults = true; // 打开临时结果,才能边说边出字recognition.onresult = (event) => { let finalTxt = ''; // 本次新增的定稿文本 let tempTxt = ''; // 本次的临时预览文本 for (let i = event.resultIndex; i < event.results.length; i++) { const seg = event.results[i]; const piece = seg[0].transcript; // 只取第一候选,别拼 result[1]、result[2] if (seg.isFinal) { finalTxt += piece; // 定稿:累加进正式文本 } else { tempTxt += piece; // 临时:单独放预览区 } } inputEl.value += finalTxt; // 正式框追加定稿内容 previewEl.textContent = tempTxt; // 预览区覆盖临时文本};

5.5.2 lang 多语种动态切换:听和说根本不是一套配置

多语种切换这事,我前后栽过两次。第一次是我把 recognition.lang 改成 en-US 想识别英文,结果合成那边还是用默认的中文音色在念英文,听起来像带普通话腔的英文,非常出戏。我这才意识到,识别语言的 lang 和合成音色是两套互相独立的配置,recognition.lang 只管听,utterance.voice 和 utterance.lang 才管说,改了一个另一个绝不会跟着变,得两边同步改。第二次更隐蔽:我在页面上做了个中英切换按钮,运行时直接给 recognition.lang 赋新值,发现改完根本不生效,识别的还是老语言。查了很久才明白,lang 这类配置在 start() 之后就被锁定了,动态切换必须先用 abort() 终止现有会话、把旧实例丢掉,再重新 new 一个、重新设参数、重新 start()。后来我干脆封装了个工厂函数,切换语言时销毁旧实例重建新的,把 onresult、onerror 这些监听也一并重新绑上,才算彻底解决。教训就一句话:Web Speech API 的很多属性不是响应式的,千万别拿前端框架那套数据驱动的思维往它身上硬套。

5.5.3 getVoices() 异步加载:voiceURI 才是精确指定音色的钥匙

getVoices() 的空数组陷阱,我前面提过一句,这里展开讲讲我是怎么彻底治它的。现象是页面刚加载时调用 speechSynthesis.getVoices(),返回的往往是空数组,过一会儿再调用又有了。原因是音色列表是异步从系统加载的,首次调用时压根没就绪。我的处理是监听 onvoiceschanged 事件,等它触发再重新取一次。但这里还有个细节:各家浏览器的事件挂载方式不一致,有的认 onvoiceschanged 属性,有的只认 addEventListener 注册的 voiceschanged,稳妥点两个都试一遍总没错。选音色时我一开始也走过弯路,用 utterance.lang='zh-CN' 就想当然地以为会自动挑中文音色,结果有些系统里根本没有匹配项,直接拿英文默认音色念中文,字正腔圆地读出一堆很滑稽的发音。后来我改用 voiceURI 精确指定,先从 getVoices() 里筛出 lang 含 zh 的音色,取它的 voiceURI 赋给 utterance.voice。如果列表为空或者压根没有中文音色,就降级成不指定音色、只保留 lang,让浏览器自己兜底。这套组合拳打下来,才算把这个坑彻底填平,现在换台电脑跑也不会再翻车。

5.5.4 完整落地语音搜索框:状态机、回填、重试与无障碍播报

最后给你看一个我认为最能落地的组合:语音搜索框。它看着简单,其实最能暴露你对这套 API 到底理解到什么程度。我第一次做的时候,按钮只有录音中和没录音两种状态,用户点完压根不知道系统此刻在干嘛,投诉不断。后来我把它改成一个状态机:idle 空闲、listening 正在听、processing 处理中,三个状态分别对应不同的按钮文案和样式,用户一眼就知道进行到哪一步。点按钮从 idle 进 listening 并调用 start();onresult 拿到定稿文本后进 processing,把文字回填进输入框再自动提交搜索。onerror 时绝不能傻等,我设了重试计数,遇到 no-speech 这种可恢复错误就自动重启一两次,遇到 not-allowed 这种权限错误就直接提示用户去浏览器里放行麦克风。还有个特别容易被忽略的点:朗读和状态变化要放进一个带 aria-live='polite' 的区域里,屏幕阅读器用户才能听到反馈,这才是真正的无障碍,而不是嘴上说说。这一整套做下来代码量其实不大,但每一个状态、每一条错误分支,都是真实项目里被用户骂出来、又被我一点点补上的经验,抄走就能用。

js
复制
// 语音搜索框:idle/listening/processing 三态状态机let state = 'idle';const btn = document.querySelector('#voiceSearch');btn.onclick = () => { if (state === 'idle') { // 只有空闲态才能启动 state = 'listening'; btn.textContent = '正在听…'; recognition.start(); }};recognition.onresult = (event) => { const last = event.results[event.results.length - 1]; if (!last.isFinal) return; // 临时结果不提交,避免误触发搜索 const text = Array.from(event.results).map(r => r[0].transcript).join(''); state = 'processing'; btn.textContent = '处理中…'; document.querySelector('#kw').value = text; // 结果回填输入框 document.querySelector('#form').submit(); // 自动发起搜索};let retry = 0;recognition.onerror = (e) => { if (e.error === 'no-speech' && retry++ < 2) { recognition.start(); // 可恢复错误:重试一两次 } else { state = 'idle'; // 权限等错误:回到空闲并提示 btn.textContent = '按住说话'; }};recognition.onend = () => { if (state === 'listening') state = 'idle'; };

六、再往深里走:多语种、断句与真实业务场景

6.1lang不只是换个字符串那么简单

我一开始以为lang就是个语言开关,想识别英文就把它改成en-US,改完还美滋滋地觉得自己挺懂。结果混着中英文说一句"这个 feature 我先 commit 一下",识别出来的东西惨不忍睹,中文里夹着一堆听岔了的英文单词。后来我才慢慢摸清:lang决定的是识别引擎用哪套语言模型,它更像是"主要语言"而不是"允许语言",你说的话里混进另一种语言,引擎就会硬着头皮拿当前模型去猜,猜错了你也没地方说理。真要做中英混说,现实点的办法是分段识别,或者干脆把结果交给后端的大模型做一轮校对。还有个坑我必须记下来:lang要在start()之前设好,识别进行中改它是不生效的。我干过在onresult里动态切语言这种蠢事,改完一点反应没有,还以为浏览器坏了,折腾半天才发现是自己没搞懂生命周期。

6.2 连续识别里的断句与静音判断

把continuous设成true之后,麻烦才真正开始。用户不会像朗读课文一样字正腔圆地一句一句说,他会停顿、会思考、会说到一半改口。我最早直接把isFinal为真的一段当作一句,结果用户稍微一停顿,一句话就被切成两半,后半句成了新的开头,逻辑全乱。后来我加了个静音计时器:每收到一次onsoundend就重置一个倒计时,超过设定时间没再检测到声音,才认为这句话说完了,主动stop()触发定稿。这样断句点自然得多。配合interimResults,我让临时文字始终显示在一个灰色的小区域里,用户能看到自己说的话正在被"听写",那种即时反馈对体验的提升非常明显。要提醒一句,倒计时别设太短,我 initially 设了 500 毫秒,结果用户思考的时候话就被截断了,调到 1200 毫秒左右才舒服。

6.3 语速、语调与 SSML 的一点点真相

合成说话的味道,光靠默认参数肯定不够。我给不同场景存了几套预设:朗读长文时把rate 降到 0.9、音调压低一点,听着沉稳;做提示音时用 1.2 的语速配高一点的 pitch,听着轻快。有段时间我想玩点花的,网上说语音合成支持 SSML,我就把带尖括号标签的字符串塞进 SpeechSynthesisUtterance,幻想能精确控制停顿和重音。结果浏览器把那些标签当成普通文本,一个字不落地念了出来,还把尖括号读成"小于大于",当场把我尴尬住。这里说句实话:这一层浏览器原生接口并没有把 SSML 当一等公民暴露出来,多数情况下你把标记混进文本里,它被当成字符串处理。想要停顿,老老实实拆成多段、用队列控制节奏更靠谱。别学我走弯路。

6.4 两个真实场景:无障碍朗读与语音搜索

让我觉得这套 API 真的有价值的,是无障碍朗读。给文章内容加一个"朗读"按钮,把正文按标点切成句子排队念,再监听 onboundary事件,用返回的字符位置把当前正在读的那一句高亮出来。视障用户跟着高亮走,不容易迷路。我当时做完这个功能,有个用户反馈说"终于不用一直盯着屏幕了",那一刻我觉得之前熬的夜都值了。不过要提醒你,onboundary的触发粒度各家浏览器差别很大,有的按词、有的按句、有的干脆不触发,所以用之前一定做特性检测,检测不过就退化成整段高亮,别让辅助功能反而变成干扰。

js
复制
// 无障碍朗读:按句朗读并高亮当前句,附降级处理function readAloud(paragraphs) { const synth = window.speechSynthesis; let i = 0; function next() { if (i >= paragraphs.length) return; // 全部读完 const u = new SpeechSynthesisUtterance(paragraphs[i]); u.lang = 'zh-CN'; u.rate = 0.9; // 慢一点,听得清 // 支持 boundary 就逐句高亮,不支持就整段高亮(降级) if ('onboundary' in u) { u.onboundary = () => highlight(i); } else { highlight(i); } u.onend = () => { i++; next(); }; // 读完这句读下一句 synth.speak(u); } next(); return () => synth.cancel(); // 返回停止函数}

语音搜索则是另一个高频场景:点一下麦克风,识别出文字后直接填进搜索框并提交。核心是防重复提交——临时结果阶段文字在不停变化,你要是每次都触发搜索,页面能给你跳个七八次。我的做法是只认isFinal的结果,并且每轮识别只提交一次,提交完立刻stop(),把会话关掉。这类细节看着琐碎,但恰恰是它们决定了一个语音功能到底"能用"还是"难用"。

七、小结与最佳实践

折腾完这一整圈,我把经验浓缩成几条,你照着做基本不会再踩我踩过的坑:

  • 先检测再使用:识别与合成分开检测,用功能开关控制 UI,别假设浏览器都支持。
  • 前缀要兜底:window.SpeechRecognition || window.webkitSpeechRecognition是标配写法。
  • 语言显式指定:lang = 'zh-CN'一定写上,识别质量差很多时候就是语言没设对。
  • 音色异步加载:getVoices()首次为空是常态,监听voiceschanged再播,并准备好兜底音色。
  • 识别要节流:临时结果会频繁触发onresult,用时间戳防重复响应。
  • 会话要兜底:onend里按业务需要决定是否重启识别,别无限重启。
  • 环境要合规:HTTPS/localhost、用户手势、授权引导,一个都不能少。
  • 要有降级方案:面向公网的产品,务必给不支持的浏览器留一条文字输入的退路。

说到底,Web Speech API 是个"上手五分钟、调优两星期"的东西。它的能力边界很清楚:做原型、内部工具、无障碍辅助、教育项目,性价比极高,几行原生代码就能让网页开口说话;但要扛住复杂生产场景,还得在错误处理、兼容性、降级方案上老老实实下功夫。

基本上就这些。利用 Web Speech API,不用后端、不用第三方库,就能搭一个能听会说的轻量级应用。代码本身不复杂,真正容易翻车的,恰恰是那些看起来"应该没问题"的细节——前缀、空音色、权限、自动暂停。把这些坑一个个填平,你也能半天交付一个语音助手,而不是像我一样熬两个通宵。

标签:javascript, 前端, html5描述:以第一人称踩坑经历串讲 Web Speech API,涵盖 SpeechRecognition 语音识别与 speechSynthesis 语音合成的配置、事件、音色异步加载与兼容性处理,并给出可运行的语音助手闭环代码,适合前端快速落地语音交互。

oxpskeff0uoxpskeff0u
评论

评论列表共有0条评论

发表评论发布评论后审核成功,即可显示在列表中...

文章4
粉丝0
获赞0
私信