HTML5 Web Speech API——通过语音输入文字

很久前我曾经提到过Web Speech API，现在Chrome刚刚发布的25版本已经为桌面和Android提供了对此API的支持，这对Web开发者来说无疑是一个具有里程碑意义的事件，因为我们可以直接在Web App中原生使用语音识别技术，Web应用的新时代将会由此开启。

         控制不住激动的心情，下面我会通过示例马上给大家介绍此API的详细信息。

         Google专门提供了一个原生示例，来演示Web Speech API。

         我们来看看实现代码。首先需要判断浏览器是否支持Web Speech API，我们通过window下是否存在webkitSpeechRecognition对象来判断。如果支持，我们创建webkitSpeechRecognition对象，并设置相关属性和事件。

[html] view plaincopy

1. if (!('webkitSpeechRecognition' in window)) {  
2.   upgrade();  
3. } else {  
4.   var recognition = new webkitSpeechRecognition();  
5.   recognition.continuous = true;  
6.   recognition.interimResults = true;  
7.   
8.   recognition.onstart = function() { ... }  
9.   recognition.onresult = function(event) { ... }  
10.   recognition.onerror = function(event) { ... }  
11.   recognition.onend = function() { ... }  
12.   ...  

         continuous属性的默认值是false，代表当用户停止说话时，语音识别将结束。在这个演示中 ，我们将它设置为true，这样即便用户暂时停止讲话，语音识别也将会继续。

         interimResults属性的默认值也是false，代表语音识别器的返回值不会改变。在这个演示中，我们把它设置为true，这样随着我们的输入，识别结果有可能会改变。仔细观看演示，灰色的文字是临时性的，有时会改变，而黑色文本是最终结果，不会改变。

         当我们点击麦克风按钮时，会触发如下代码：

[html] view plaincopy

1. function startButton(event) {  
2.   ...  
3.   final_transcript = '';  
4.   recognition.lang = select_dialect.value;  
5.   recognition.start();  

         我们用recognition.lang来设置语音识别的语言，在这个示例中默认为HTML页面的语言，通过下拉列表用户可以进行更换，例如“cmn-Hans-CN”代表普通话，而“en-us”代表美式英语。Chrome浏览器的语音识别支持众多的语言，非常强大。

         设置语言后，我们调用recognition.start()来激活语音识别。一旦开始捕获音频，它调用onstart方法，然后为每一个新的结果集调用onresult方法进行处理。

[html] view plaincopy

1. recognition.onresult = function(event) {  
2.   var interim_transcript = '';  
3.   
4.   for (var i = event.resultIndex; i < event.results.length; ++i) {  
5.     if (event.results[i].isFinal) {  
6.       final_transcript += event.results[i][0].transcript;  
7.     } else {  
8.       interim_transcript += event.results[i][0].transcript;  
9.     }  
10.   }  
11.   final_transcript = capitalize(final_transcript);  
12.   final_span.innerHTML = linebreak(final_transcript);  
13.   interim_span.innerHTML = linebreak(interim_transcript);  
14. };  

         这个handler把结果分成两个字符串：final_transcript和interim_transcript。这里调用Linebreak方法来进行分段。最后，它会将final_transcript设置为final_span的innerHTML，显示为黑色；而将interim_transcript设置为interim_span的innerHTML，显示为灰色。

         以上就是功能核心代码。当recognition.start()被调用时，麦克风识别动画开始显示，同时Chrome需要获得用户对麦克风的授权。有一点非常重要的是，HTTPS网页不需要反复获取授权，而HTTP网页需要。

         当开始语音输入、捕获和识别时，我们还会在桌面右下角看到相关提示。

         从现在开始，Web App的开发者们可以好好考虑考虑，利用Web Speech API能够开发出什么样有趣的产品，或者为自己的产品添加什么有趣的功能？

         提示：如果要体验文中的Demo，请使用Chrome 25以上的版本或者Chrome Canary。

         相关文章：《对HTML5 Device API相关规范的解惑》

         参考文章：VOICE DRIVEN WEB APPS: INTRODUCTION TO THE WEB SPEECH API

         转载请标明出处：蒋宇捷的专栏