Web Speech API-Entwicklerhandbuch: Was es ist und wie es funktioniert

Übersetzer |. Li Rui Integrieren Sie Sprachdaten in Anwendungen. Es kann Sprache über den Browser in Text umwandeln und umgekehrt.

Web Speech API wurde 2012 von der W3C-Community eingeführt. Zehn Jahre später befindet sich diese API aufgrund eingeschränkter Browserkompatibilität immer noch in der Entwicklung.

Die API unterstützt sowohl kurzfristige Eingabefragmente, wie z. B. einen verbalen Befehl, als auch langfristige kontinuierliche Eingaben. Umfangreiche Diktierfunktionen machen es ideal für die Integration mit Applause-Apps, während kurzes Tippen hervorragend für Sprachübersetzungen geeignet ist.

Die Spracherkennung hat einen großen Einfluss auf die Barrierefreiheit gehabt. Benutzer mit Behinderungen können per Spracheingabe einfacher im Internet surfen. Daher könnte diese API der Schlüssel dazu sein, das Web benutzerfreundlicher und effizienter zu machen.

Die Text-to-Speech- und Speech-to-Text-Funktionalität wird über zwei Schnittstellen verwaltet: Sprachsynthese und Spracherkennung.

1. Spracherkennung

In der Spracherkennungsoberfläche spricht der Benutzer in das Mikrofon, und dann führt der Spracherkennungsdienst eine Grammatik durch Überprüfen Sie, was er gesagt hat.

Die API schützt die Privatsphäre des Benutzers, indem sie zunächst die Erlaubnis anfordert, über das Mikrofon auf die Stimme des Benutzers zuzugreifen. Wenn die Seite, die die API nutzt, das HTTPS-Protokoll verwendet, wird die Erlaubnis nur einmal angefordert. Andernfalls fragt die API jeweils nach.

Das Gerät des Benutzers verfügt möglicherweise bereits über ein Spracherkennungssystem, z. B. Siri für iOS oder Android-Stimmen. Bei Verwendung der Spracherkennungsschnittstelle wird das Standardsystem verwendet. Nachdem die Sprache erkannt wurde, wird sie konvertiert und als Textzeichenfolge zurückgegeben.

Bei der „One-Shot“-Spracherkennung endet die Erkennung, sobald der Benutzer aufhört zu sprechen. Dies ist nützlich für kurze Befehle, z. B. das Durchsuchen des Internets nach einer Website zum Testen von Anwendungen oder das Tätigen eines Telefonanrufs. Bei der „kontinuierlichen“ Erkennung muss der Benutzer die Erkennung manuell über die Schaltfläche „Stopp“ beenden.

Derzeit wird die Spracherkennung der Web Speech API offiziell nur von zwei Browsern unterstützt: Chrome für Desktop und Android. Chrome muss die Präfixschnittstelle verwenden.

Allerdings befindet sich die Web Speech API noch im experimentellen Stadium und die Spezifikation kann sich ändern. Sie können überprüfen, ob der aktuelle Browser diese API unterstützt, indem Sie nach dem webkitSpeechRecognition-Objekt suchen.

2. Spracherkennungsattribute

Lernen wir eine neue Funktion: Spracherkennung().

var recognizer = new speechRecognition();

Überprüfen Sie nun die Rückrufe bestimmter Ereignisse:

(1) onStart: Wenn der Spracherkenner beginnt, zuzuhören und Sprache zu erkennen, wird onStart dies tun ausgelöst werden. Es kann eine Meldung angezeigt werden, um den Benutzer darüber zu informieren, dass das Gerät zuhört.

(2) onEnd: onEnd generiert ein Ereignis, das jedes Mal ausgelöst wird, wenn der Benutzer die Spracherkennung beendet.

(3) onError: Immer wenn ein Spracherkennungsfehler auftritt, wird dieses Ereignis über die SpeechRecognitionError-Schnittstelle ausgelöst.

(4) onResult: Dieses Ereignis wird ausgelöst, wenn das Spracherkennungsobjekt das Ergebnis erhält. Es werden Zwischenergebnisse und Endergebnisse zurückgegeben. onResult muss die SpeechRecognitionEvent-Schnittstelle verwenden.

Das SpeechRecognitionEvent-Objekt enthält die folgenden Daten:

(1) Ergebnisse[i]: Spracherkennung Ergebnisobjekt Ein Array, jedes Element stellt ein erkanntes Wort dar.

(2) resultindex: aktueller Erkennungsindex.

(3) Ergebnisse[i][j]: Identifizieren Sie das j-te alternative Wort des Wortes; das erste Wort, das erscheint, ist das Wort, das am wahrscheinlichsten erscheint.

(4) results[i].isFinal: Ein boolescher Wert, der angibt, ob das Ergebnis vorübergehend oder endgültig ist.

(5) results[i][j].transcript: Textdarstellung des Wortes.

(6) results[i][j].confidence: Die Wahrscheinlichkeit, dass das Ergebnis korrekt ist (Wertebereich liegt zwischen 0 und 1).

Welche Eigenschaften sollten also für das Spracherkennungsobjekt konfiguriert werden? Werfen Sie einen Blick unten.

(1) Kontinuierlich vs. One-Shot

Der Benutzer bestimmt, ob das Spracherkennungsobjekt erforderlich ist Bevor Sie schließen, hören Sie ihm die ganze Zeit zu, oder wenn Sie ihn nur benötigen, um einen kurzen Satz zu erkennen. Die Standardeinstellung ist „false“.

Angenommen, Sie machen sich Notizen und nutzen diese Technologie zur Integration in Bestandsverfolgungsvorlagen. Sie müssen in der Lage sein, über längere Zeiträume zu sprechen und dabei genügend Zeit zum Unterbrechen zu haben, ohne die App wieder in den Ruhezustand zu versetzen. Continuous kann wie folgt auf true gesetzt werden:

speechRecognition.continuous = true;

(2) Sprache

#🎜 🎜#

Welche Sprache soll das Objekt erkennen? Wenn der Browser standardmäßig auf Englisch eingestellt ist, wählt er automatisch Englisch aus. Es können jedoch auch Vorwahlen verwendet werden.

Zusätzlich kann dem Benutzer erlaubt werden, die Sprache aus einem Menü auszuwählen:

speechRecognition.lang = document.querySelector("#select_dialect").value;

(3 ) Zwischenergebnisse# 🎜🎜#

Zwischenergebnisse beziehen sich auf Ergebnisse, die noch nicht vollständig oder endgültig sind. Indem Sie diese Eigenschaft auf „true“ setzen, können Sie veranlassen, dass das Objekt temporäre Ergebnisse als Feedback für den Benutzer anzeigt: 🎜#Wenn das Spracherkennungsobjekt als „kontinuierlich“ konfiguriert wurde, müssen Sie die onClick-Attribute der Start- und Stoppschaltflächen festlegen wie folgt:

JavaScript

speechRecognition.interimResults = true；

这将允许用户控制使用的浏览器何时开始“监听”，何时停止。

因此，在深入了解了语音识别界面、方法和属性之后。现在探索Web Speech API的另一面。

三、语音合成

语音合成也被称为文本到语音(TTS)。语音合成是指从应用程序中获取文本，将其转换成语音，然后从设备的扬声器中播放。

可以使用语音合成做任何事情，从驾驶指南到为在线课程朗读课堂笔记，再到视觉障碍用户的屏幕阅读。

在浏览器支持方面，从Gecko42+版本开始，Web Speech API的语音合成可以在Firefox桌面和移动端使用。但是，必须首先启用权限。Firefox OS2.5+默认支持语音合成；不需要权限。Chrome和Android 33+也支持语音合成。

那么，如何让浏览器说话呢?语音合成的主要控制器界面是SpeechSynthesis，但需要一些相关的界面，例如用于输出的声音。大多数操作系统都有默认的语音合成系统。

简单地说，用户需要首先创建一个SpeechSynthesisUtterance界面的实例。其界面包含服务将读取的文本，以及语言、音量、音高和速率等信息。指定这些之后，将实例放入一个队列中，该队列告诉浏览器应该说什么以及什么时候说。

将需要说话的文本指定给其“文本”属性，如下所示：

newUtterance.text =

除非使用.lang属性另有指定，否则语言将默认为应用程序或浏览器的语言。

在网站加载后，语音更改事件可以被触发。要改变浏览器的默认语音，可以使用语音合成中的getvoices()方法。这将显示所有可用的语音。

声音的种类取决于操作系统。谷歌和MacOSx一样有自己的默认声音集。最后，用户使用Array.find()方法选择喜欢的声音。

根据需要定制SpeechSynthesisUtterance。可以启动、停止和暂停队列，或更改通话速度（“速率”）。

四、Web Speech API的优点和缺点  

什么时候应该使用Web Speech API？这种技术使用起来很有趣，但仍在发展中。尽管如此，还是有很多潜在的用例。集成API可以帮助实现IT基础设施的现代化，而用户可以了解Web Speech API哪些方面已经成熟可以改进。

1.提高生产力

对着麦克风说话比打字更快捷、更有效。在当今快节奏的工作生活中，人们可能需要能够在旅途中访问网页。

它还可以很好地减少管理工作量。语音到文本技术的改进有可能显著减少数据输入任务的时间。语音到文本技术可以集成到音频视频会议中，以加快会议的记录速度。

2.可访问性

如上所述，语音到文本（STT）和文本语音（TTS）对于有残疾或支持需求的用户来说都是很好的工具。此外，由于任何原因而在写作或拼写方面有困难的用户可以通过语音识别更好地表达自己。

这样，语音识别技术就可以成为互联网上一个很好的均衡器。鼓励在办公室使用这些工具也能促进工作场所的可访问性。

3.翻译

Web Speech API可以成为一种强大的语言翻译工具，因为它同时支持语音到文本（STT）和文本语音（TTS）。目前，并不是每一种语言都可用。这是Web Speech API尚未充分发挥其潜力的一个领域。

4.离线功能

一个缺点是API必须要有互联网连接才能正常工作。此时，浏览器将输入发送到它的服务器，然后服务器返回结果。这限制了Web Speech API可以使用的环境。

5.精确度

在提高语音识别器的准确性方面已经取得了令人难以置信的进展。用户可能偶尔还会遇到一些困难，例如技术术语和其他专业词汇或者方言。然而，到2022年，语音识别软件的精确度已经达到了人类的水平。

五、结语

虽然Web Speech API还处于实验阶段，但它可以成为网站或应用程序的一个惊人的补充。从科技公司到市场营销商，所有的工作场所都可以使用这个API来提高效率。只需几行简单的JavaScript代码，就可以打开一个全新的可访问性世界。

语音识别可以使用户更容易更有效地浏览网页，人们期待看到这项技术快速成长和发展!

原文链接：https://dzone.com/articles/the-developers-guide-to-web-speech-api-what-is-it

Das obige ist der detaillierte Inhalt vonWeb Speech API-Entwicklerhandbuch: Was es ist und wie es funktioniert. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!