HTML5语音合成Speech Synthesis API简介

by zhangxinxu from http://www.zhangxinxu.com/wordpress/?p=5865
本文可全文转载，但需得到原作者书面许可，同时保留原作者和出处，摘要引流则随意。

一、关于HTML5语音Web Speech API

HTML5中和Web Speech相关的API实际上有两类，一类是“语音识别(Speech Recognition)”，另外一个就是“语音合成(Speech Synthesis)”，这两个名词听上去很高大上，实际上指的分别是“语音转文字”，和“文字变语音”。

而本文要介绍的就是这里的“语音合成-文字变语音”。为什么称为“合成”呢？比方说你Siri发音“你好，世界！” 实际上是把“你”、“好”、“世”、“界”这4个字的读音给合并在一起，因此，称为“语音合成”。

“语音识别”和“语音合成”看上去像是正反两方面，应该带有镜面气质，实际上，至少从兼容性来看，两者并无法直接对等。

“语音识别(Speech Recognition)”目前的就Chrome浏览器和死忠小弟Opera浏览器默认支持，并且需要webkit私有前缀：

但是，“语音合成(Speech Synthesis)”的兼容性要好上太多了，如下图：

所以，本文主要介绍下理论上更为适用的HTML5 Speech Synthesis API。不过在此之前，Speech Recognition API还是简单提一下。

Speech Recognition API也就是语音识别功能，需要麦克风等音频输入设备的支持，在Chrome浏览器下，实际上可以添加简单的属性就可以让部分控件有语音识别功能，一行JS都不需要写，这个我之前有专门写文章介绍过：“渐进使用HTML5语言识别, so easy!”

就是在输入框上加一个x-webkit-speech属性即可，例如：

<input x-webkit-speech />

然而，我刚刚打开demo页面一测试，发现原来有的麦克风（下图为以前截图）居然不见了。。。。看来已经被chrome无情抛弃了！

好吧，就当我上面的内容，什么都没说过。不过有一点是可以肯定的，就是原来输入框上的那个语音识别底层就是使用的Speech Recognition API，因此存在一定的共性，比方说文字内容识别需要google服务器返回，因此功能就与网络环境有很大关系，比方说google被墙了，或者网速很慢了，都有可能导致识别出现异常。

使用的基本套路如下：

创建SpeechRecognition的新实例。由于到目前为止，浏览器还没有广泛支持，所以需要webKit的前缀：
```
var newRecognition = webkitSpeechRecognition();
```
设置是持续听还是听到声音之后就关闭接收。通过设置continuous属性值实现。一般聊天沟通使用false属性值，如果是写文章写公众号之类的则可以设置为true，如下示意：
```
newRecognition.continuous = true;
```
控制语音识别的开启和停止，可以使用start()和stop()方法：
```
// 开启

newRecognition.start();

// 停止

newRecognition.stop();
```

对识别到的结果进行处理，可以使用一些事件方法，比方说onresult：

newRecognition.onresult = function(event) {

    console.log(event);

}

event是个对象，我家里电脑不知道什么原因，无法成功返回识别内容，显示网络错误，可能因为墙的缘故：

所以，我从网上找了下大致数据结构：

{

    ..

    results: {

        0: {

              0: {

                confidence: 0.695017397403717,

                transcript: "你好，世界"

              },

              isFinal:true,

              length:1

        },

        length:1

    },

    ..

}

除了result事件外，还有其他一些事件，例如，soundstart、speechstart、error等。

二、关于语音合成Speech Synthesis API

先从最简单的例子说起，如果想让浏览器读出“你好，世界！”的声音，可以下面的JS代码：

var utterThis = new window.SpeechSynthesisUtterance('你好，世界！');

window.speechSynthesis.speak(utterThis);

没错，只需要这么一点代码就足够了，大家可以在自己浏览器的控制台里面运行上面两行代码，看看有没有读出声音。

上面代码出现了两个长长的对象，SpeechSynthesisUtterance和speechSynthesis，就是语音合成Speech Synthesis API的核心。

首先是SpeechSynthesisUtterance对象，主要用来构建语音合成实例，例如上面代码中的实例对象utterThis。我们可以直接在构建的时候就把要读的文字内容写进去：

var utterThis = new window.SpeechSynthesisUtterance('你好，世界！');

又或者是使用实例对象的一些属性，包括：

text – 要合成的文字内容，字符串。
lang – 使用的语言，字符串，例如："zh-cn"
- (
  - language:语言(en,zh,ja…更多参考)
  )
voiceURI – 指定希望使用的声音和服务，字符串。
volume – 声音的音量，区间范围是0到1，默认是1。
rate – 语速，数值，默认值是1，范围是0.1到10，表示语速的倍数，例如2表示正常语速的两倍。
pitch – 表示说话的音高，数值，范围从0（最小）到2（最大）。默认值为1。

因此上面的代码也可以写作：

var utterThis = new window.SpeechSynthesisUtterance();

utterThis.text = '你好，世界！';

不仅如此，该实例对象还暴露了一些方法：

onstart – 语音合成开始时候的回调。
onpause – 语音合成暂停时候的回调。
onresume – 语音合成重新开始时候的回调。
onend – 语音合成结束时候的回调。

接下来是speechSynthesis对象，主要作用是触发行为，例如读，停，还原等：

speak() – 只能接收SpeechSynthesisUtterance作为唯一的参数，作用是读合成的话语。
stop() – 立即终止合成过程。
pause() – 暂停合成过程。
resume() – 重新开始合成过程。
getVoices – 此方法不接受任何参数，用来返回浏览器支持的语音包列表，是个数组，例如，在我的电脑下，Firefox浏览器返回的语言包是两个：

而在chrome浏览器下，数量就很惊人了：

虽然数量很多，是有种给人中看不中用的感觉，为什么这么说呢！在我的chrome浏览器下，不知道为什么，不会读任何声音，但是同样的demo见面，公司的电脑就可以，我后来仔细查了一下，有可能(20%可能性)是我家里的电脑win7版本是阉割版，没有安装或配置TTS引擎。

手机Safari浏览器也不会读。

其中，17是普通话大陆：

另外，getVoices的获取是个异步的过程，因此，你可以直接在控制台输入，speechSynthesis.getVoices()返回的是一个空数组，没关系，多试几次，或者搞个定时器之类的。

三、语音合成Speech Synthesis API有什么用

对于盲人或弱视用户，往往会借助一些辅助设备或者软件访问我们的网页，其原理是通过触摸或定位某些元素发出声音，来让用户感知内容。

有了语音合成Speech Synthesis API，对于这类用户，以及开发人员自己，都会带来一定的便利性。首先对于视觉有障碍的用户，他们就不需要再安装其他软件或购买其他设备，就可以无障碍地访问我们的产品。对于开发人员自己，我们的无障碍建设可以变得更加灵活，不一定要百分百契合ARIA无障碍规范（可参见我之前文章“WAI-ARIA无障碍网页应用属性完全展示”），因为我们可以直接让浏览器合成我想要的语音内容，例如，VoiceOver在对一些标签读取的时候，总会附带一句“标志性内容”，就算对于我这样专业从业者，这个词也是有点生涩难懂的，我们其实可以把这个语音合成交给自己，使用更通俗易懂的词反馈给用户，我想体验上应该是更好的。

至少我会在17年，尝试在一些产品上推动这方面工作的建设。

另外一个就是二维码识别，有时候肉眼看得眼睛疼，加个按钮让用户听。

等等~