要在前端實現語音合成,即將文字講述出來,一開始考慮用百度tts語音合成的方法,后來發現html5 本身就支持語音合成。就直接用html5的咯,百度的那個還有調用次數限制,配置還麻煩
一、關於HTML5語音Web Speech API
HTML5中和Web Speech相關的API實際上有兩類,一類是“語音識別(Speech Recognition)”,另外一個就是“語音合成(Speech Synthesis)”,這兩個名詞聽上去很高大上,實際上指的分別是“語音轉文字”,和“文字變語音”。
而本文要介紹的就是這里的“語音合成-文字變語音”。為什么稱為“合成”呢?比方說你Siri發音“你好,世界!” 實際上是把“你”、“好”、“世”、“界”這4個字的讀音給合並在一起,因此,稱為“語音合成”。
“語音識別”和“語音合成”看上去像是正反兩方面,應該帶有鏡面氣質,實際上,至少從兼容性來看,兩者並無法直接對等。
“語音識別(Speech Recognition)”目前的就Chrome瀏覽器和死忠小弟Opera瀏覽器默認支持,並且需要webkit
私有前綴:
但是,“語音合成(Speech Synthesis)”的兼容性要好上太多了,如下圖:
所以,本文主要介紹下理論上更為適用的HTML5 Speech Synthesis API。不過在此之前,Speech Recognition API還是簡單提一下。
Speech Recognition API也就是語音識別功能,需要麥克風等音頻輸入設備的支持,在Chrome瀏覽器下,實際上可以添加簡單的屬性就可以讓部分控件有語音識別功能,一行JS都不需要寫,這個我之前有專門寫文章介紹過:“漸進使用HTML5語言識別, so easy!”
就是在輸入框上加一個x-webkit-speech
屬性即可,例如:
<input x-webkit-speech />
然而,我剛剛打開demo頁面一測試,發現原來有的麥克風(下圖為以前截圖)居然不見了。。。。看來已經被chrome無情拋棄了!
好吧,就當我上面的內容,什么都沒說過。不過有一點是可以肯定的,就是原來輸入框上的那個語音識別底層就是使用的Speech Recognition API,因此存在一定的共性,比方說文字內容識別需要google服務器返回,因此功能就與網絡環境有很大關系,比方說google被牆了,或者網速很慢了,都有可能導致識別出現異常。
使用的基本套路如下:
- 創建SpeechRecognition的新實例。由於到目前為止,瀏覽器還沒有廣泛支持,所以需要
webKit
的前綴:var newRecognition = webkitSpeechRecognition();
- 設置是持續聽還是聽到聲音之后就關閉接收。通過設置
continuous
屬性值實現。一般聊天溝通使用false
屬性值,如果是寫文章寫公眾號之類的則可以設置為true
,如下示意:newRecognition.continuous = true;
- 控制語音識別的開啟和停止,可以使用start()和stop()方法:
// 開啟 newRecognition.start(); // 停止 newRecognition.stop();
- 對識別到的結果進行處理,可以使用一些事件方法,比方說
onresult
:newRecognition.onresult = function(event) { console.log(event); }
event
是個對象,我家里電腦不知道什么原因,無法成功返回識別內容,顯示網絡錯誤,可能因為牆的緣故:所以,我從網上找了下大致數據結構:
{ .. results: { 0: { 0: { confidence: 0.695017397403717, transcript: "你好,世界" }, isFinal:true, length:1 }, length:1 }, .. }
除了result
事件外,還有其他一些事件,例如,soundstart
、speechstart
、error
等。
二、關於語音合成Speech Synthesis API
先從最簡單的例子說起,如果想讓瀏覽器讀出“你好,世界!”的聲音,可以下面的JS代碼:
var utterThis = new window.SpeechSynthesisUtterance('你好,世界!'); window.speechSynthesis.speak(utterThis);
沒錯,只需要這么一點代碼就足夠了,大家可以在自己瀏覽器的控制台里面運行上面兩行代碼,看看有沒有讀出聲音。
上面代碼出現了兩個長長的對象,SpeechSynthesisUtterance
和speechSynthesis
,就是語音合成Speech Synthesis API的核心。
首先是SpeechSynthesisUtterance
對象,主要用來構建語音合成實例,例如上面代碼中的實例對象utterThis
。我們可以直接在構建的時候就把要讀的文字內容寫進去:
var utterThis = new window.SpeechSynthesisUtterance('你好,世界!');
又或者是使用實例對象的一些屬性,包括:
text
– 要合成的文字內容,字符串。lang
– 使用的語言,字符串, 例如:"zh-cn"
voiceURI
– 指定希望使用的聲音和服務,字符串。volume
– 聲音的音量,區間范圍是0
到1
,默認是1
。rate
– 語速,數值,默認值是1
,范圍是0.1
到10
,表示語速的倍數,例如2
表示正常語速的兩倍。pitch
– 表示說話的音高,數值,范圍從0
(最小)到2
(最大)。默認值為1
。
因此上面的代碼也可以寫作:
var utterThis = new window.SpeechSynthesisUtterance(); utterThis.text = '你好,世界!';
不僅如此,該實例對象還暴露了一些方法:
onstart
– 語音合成開始時候的回調。onpause
– 語音合成暫停時候的回調。onresume
– 語音合成重新開始時候的回調。onend
– 語音合成結束時候的回調。
接下來是speechSynthesis
對象,主要作用是觸發行為,例如讀,停,還原等:
speak()
– 只能接收SpeechSynthesisUtterance
作為唯一的參數,作用是讀合成的話語。stop()
– 立即終止合成過程。pause()
– 暫停合成過程。resume()
– 重新開始合成過程。getVoices
– 此方法不接受任何參數,用來返回瀏覽器支持的語音包列表,是個數組,例如,在我的電腦下,Firefox瀏覽器返回的語言包是兩個:而在chrome瀏覽器下,數量就很驚人了:
雖然數量很多,是有種給人中看不中用的感覺,為什么這么說呢!在我的chrome瀏覽器下,不知道為什么,不會讀任何聲音,但是同樣的demo見面,公司的電腦就可以,我后來仔細查了一下,有可能(20%可能性)是我家里的電腦win7版本是閹割版,沒有安裝或配置TTS引擎。
手機Safari瀏覽器也不會讀。
其中,17是普通話大陸:
另外,
getVoices
的獲取是個異步的過程,因此,你可以直接在控制台輸入,speechSynthesis.getVoices()
返回的是一個空數組,沒關系,多試幾次,或者搞個定時器之類的。
三、語音合成Speech Synthesis API有什么用
對於盲人或弱視用戶,往往會借助一些輔助設備或者軟件訪問我們的網頁,其原理是通過觸摸或定位某些元素發出聲音,來讓用戶感知內容。
有了語音合成Speech Synthesis API,對於這類用戶,以及開發人員自己,都會帶來一定的便利性。首先對於視覺有障礙的用戶,他們就不需要再安裝其他軟件或購買其他設備,就可以無障礙地訪問我們的產品。對於開發人員自己,我們的無障礙建設可以變得更加靈活,不一定要百分百契合ARIA無障礙規范(可參見我之前文章“WAI-ARIA無障礙網頁應用屬性完全展示”),因為我們可以直接讓瀏覽器合成我想要的語音內容,例如,VoiceOver在對一些標簽讀取的時候,總會附帶一句“標志性內容”,就算對於我這樣專業從業者,這個詞也是有點生澀難懂的,我們其實可以把這個語音合成交給自己,使用更通俗易懂的詞反饋給用戶,我想體驗上應該是更好的。
至少我會在17年,嘗試在一些產品上推動這方面工作的建設。
另外一個就是二維碼識別,有時候肉眼看得眼睛疼,加個按鈕讓用戶聽。
等等~