javascript如何实现语音识别_有哪些Web Speech API-js教程-PHP中文网

Web Speech API 的 SpeechRecognition 是浏览器原生唯一语音识别接口，仅 Chromium 内核稳定支持，需 HTTPS 或 localhost 环境、用户手势触发，且不支持 iOS；Firefox 几乎不可用，替代方案应依赖后端 ASR 或离线 WASM 模型。

javascript如何实现语音识别_有哪些web speech api

Web Speech API 的 `SpeechRecognition` 是唯一可用的语音识别接口

浏览器原生支持的语音识别能力，目前只有 SpeechRecognition（部分浏览器中叫 webkitSpeechRecognition）这一个接口。它不是“多个 API 供你选”，而是 Web Speech API 规范中定义的**唯一语音识别构造器**。其他所谓“语音识别 API”要么是第三方 SDK 封装，要么是服务端 ASR 接口，不属于浏览器原生能力。

注意：该接口仍处于 W3C 工作草案阶段，且**仅在安全上下文（https:// 或 localhost）中可用**；HTTP 页面直接调用会静默失败。

如何创建并启动一次基础识别

必须通过 new webkitSpeechRecognition()（Chrome/Edge）或 new SpeechRecognition()（Firefox 实验性支持，实际几乎不可用）获取实例。主流稳定支持仅限 Chromium 内核。

const recognition = new (window.SpeechRecognition || window.webkitSpeechRecognition)();
recognition.continuous = false;  // 单次识别后自动停止
recognition.interimResults = false; // 不返回中间结果
recognition.lang = 'zh-CN'; // 显式指定语言，否则可能识别不准

recognition.onresult = (event) => {
  const transcript = event.results[0][0].transcript;
  console.log('识别结果：', transcript);
};

recognition.onerror = (event) => {
  console.error('识别错误：', event.error);
};

recognition.start(); // 必须由用户手势触发（如 click），不能自动调用

recognition.start() 必须由用户显式交互（如按钮点击）触发，否则 Chrome 会拒绝执行
lang 参数强烈建议设置，尤其中文场景不设可能 fallback 到 en-US，识别率骤降
interimResults: true 会触发多次 onresult，但中间结果不稳定，慎用于生产逻辑判断

常见失败原因和兼容性陷阱

90% 的“识别没反应”问题都源于环境或调用时机错误，而非代码本身。

前端设计引擎

使用此技能可创建独具特色、具备生产级质量的前端界面，设计品质高。当用户要求构建网页组件、页面、产物、海报或应用程序时（例如：网站、落地页、仪表盘、React 组件、HTML/CSS 布局，或对任意 Web UI 进行样式优化与视觉美化），请启用该能力。输出需为富有创意、精雕细琢的代码与 UI 设计，避免千篇一律的 AI 风格。

下载

在 http:// 非本地非 HTTPS 页面调用 → 控制台无报错，但 start() 直接静默忽略
未由用户手势触发 start()（例如在 setTimeout 或页面加载后自动调）→ Chrome 报错 NotAllowedError: Speech recognition permission denied
用户未授麦克风权限 → onerror 触发，event.error === 'not-allowed'，需引导用户手动开启
Firefox 宣称支持 SpeechRecognition，但实际未启用，typeof SpeechRecognition === 'undefined'
移动端 Chrome（Android）支持，但 iOS Safari 完全不支持该 API，且无替代方案

替代方案：什么时候不该用 Web Speech API

如果你需要：离线识别、高准确率中文长句、实时流式识别、多语言混合、或支持 iOS —— Web Speech API 就不合适。

这时应考虑：

调用后端 ASR 服务（如阿里云智能语音交互、腾讯云语音识别），前端只负责录音 + 上传音频 blob
使用 WebAssembly 加载轻量级离线模型（如 @picovoice/porcupine 做唤醒词，配合 whisper.cpp wasm 版本做识别 —— 但延迟和资源占用高）
接受限制：仅在桌面 Chrome/Edge 上提供语音输入入口，iOS 和 Firefox 用户降级为键盘输入

真正稳定的语音识别体验，从来不在浏览器单点 API 里，而在服务端能力 + 客户端合理兜底的组合里。