在Javascript應(yīng)用程序中執(zhí)行語音識別
語音識別是計(jì)算機(jī)科學(xué)和計(jì)算語言學(xué)的一個(gè)跨學(xué)科子領(lǐng)域。它可以識別口語并將其翻譯成文本，它也被稱為自動(dòng)語音識別（ASR），計(jì)算機(jī)語音識別或語音轉(zhuǎn)文本（STT）。
機(jī)器學(xué)習(xí)（ML）是人工智能（AI）的一種應(yīng)用，它使系統(tǒng)能夠自動(dòng)學(xué)習(xí)并從經(jīng)驗(yàn)中進(jìn)行改進(jìn)，而無需進(jìn)行明確的編程。機(jī)器學(xué)習(xí)在本世紀(jì)提供了大多數(shù)語音識別方面的突破。如今，語音識別技術(shù)無處不在，例如Apple Siri，Amazon Echo和Google Nest。
語音識別以及語音響應(yīng)（也稱為語音合成或文本到語音（TTS））由Web speech API提供支持。
在本文中，我們重點(diǎn)介紹JavaScript應(yīng)用程序中的語音識別。另一篇文章介紹了語音合成。
語音識別接口
SpeechRecognition 是識別服務(wù)的控制器接口，在Chrome中稱為 webkitSpeechRecognition。SpeechRecognition 處理從識別服務(wù)發(fā)送的 SpeechRecognitionEvent。SpeechRecognitionEvent.results 返回一個(gè)SpeechRecognitionResultList 對象，該對象表示當(dāng)前會(huì)話的所有語音識別結(jié)果。
可以使用以下幾行代碼來初始化 SpeechRecognition：
- // 創(chuàng)建一個(gè)SpeechRecognition對象
- const recognition = new webkitSpeechRecognition();
- // 配置設(shè)置以使每次識別都返回連續(xù)結(jié)果
- recognition.continuous = true;
- // 配置應(yīng)返回臨時(shí)結(jié)果的設(shè)置
- recognition.interimResults = true;
- // 正確識別單詞或短語時(shí)的事件處理程序
- recognition.onresult = function (event) {
- console.log(event.results);
- };
ognition.start() 開始語音識別，而 ognition.stop() 停止語音識別，它也可以中止（ recognition.abort）。
當(dāng)頁面正在訪問您的麥克風(fēng)時(shí)，地址欄中將顯示一個(gè)麥克風(fēng)圖標(biāo)，以顯示該麥克風(fēng)已打開并且正在運(yùn)行。
我們用句子對頁面說。“hello comma I'm talking period.” onresult 在我們說話時(shí)顯示所有臨時(shí)結(jié)果。
這是此示例的HTML代碼：
- <!DOCTYPE html>
- <html lang="en">
- <head>
- <meta charset="UTF-8" />
- <meta name="viewport" content="width=device-width, initial-scale=1.0" />
- <title>Speech Recognition</title>
- <script>
- window.onload = () => {
- const button = document.getElementById('button');
- button.addEventListener('click', () => {
- if (button.style['animation-name'] === 'flash') {
- recognition.stop();
- button.style['animation-name'] = 'none';
- button.innerText = 'Press to Start';
- content.innerText = '';
- } else {
- button.style['animation-name'] = 'flash';
- button.innerText = 'Press to Stop';
- recognition.start();
- }
- });
- const content = document.getElementById('content');
- const recognition = new webkitSpeechRecognition();
- recognition.continuous = true;
- recognition.interimResults = true;
- recognition.onresult = function (event) {
- let result = '';
- for (let i = event.resultIndex; i < event.results.length; i++) {
- result += event.results[i][0].transcript;
- }
- content.innerText = result;
- };
- };
- </script>
- <style>
- button {
- background: yellow;
- animation-name: none;
- animation-duration: 3s;
- animation-iteration-count: infinite;
- }
- @keyframes flash {
- 0% {
- background: red;
- }
- 50% {
- background: green;
- }
- }
- </style>
- </head>
- <body>
- <button id="button">Press to Start</button>
- <div id="content"></div>
- </body>
- </html>
第25行創(chuàng)建了 SpeechRecognition 對象，第26和27行配置了 SpeechRecognition 對象。
當(dāng)一個(gè)單詞或短語被正確識別時(shí)，第28-34行設(shè)置一個(gè)事件處理程序。
第19行開始語音識別，第12行停止語音識別。
在第12行，單擊該按鈕后，它可能仍會(huì)打印出一些消息。這是因?yàn)?Recognition.stop() 嘗試返回到目前為止捕獲的SpeechRecognitionResult。如果您希望它完全停止，請改用 ognition.abort()。
您會(huì)看到動(dòng)畫按鈕的代碼（第38-51行）比語音識別代碼長。這是該示例的視頻剪輯：https://youtu.be/5V3bb5YOnj0
以下是瀏覽器兼容性表：
網(wǎng)絡(luò)語音識別依賴于瀏覽器自己的語音識別引擎。在Chrome中，此引擎在云中執(zhí)行識別。因此，它僅可在線運(yùn)行。
語音識別庫
有一些開源語音識別庫，以下是基于npm趨勢的這些庫的列表：
1. Annyang
Annyang是一個(gè)JavaScript語音識別庫，用于通過語音命令控制網(wǎng)站。它建立在SpeechRecognition Web API之上。在下一節(jié)中，我們將舉例說明annyang的工作原理。
2. artyom.js
artyom.js是一個(gè)JavaScript語音識別和語音合成庫。它建立在Web語音API的基礎(chǔ)上，除語音命令外，它還提供語音響應(yīng)。
3. Mumble
Mumble是一個(gè)JavaScript語音識別庫，用于通過語音命令控制網(wǎng)站。它建立在SpeechRecognition Web API之上，這類似于annyang的工作方式。
4. julius.js
Julius是面向語音相關(guān)研究人員和開發(fā)人員的高性能，占用空間小的大詞匯量連續(xù)語音識別（LVCSR）解碼器軟件。它可以在從微型計(jì)算機(jī)到云服務(wù)器的各種計(jì)算機(jī)和設(shè)備上執(zhí)行實(shí)時(shí)解碼。Julis是使用C語言構(gòu)建的，而julius.js是Julius自以為是JavaScript的移植版。
5.voice-commands.js
voice-commands.js是一個(gè)JavaScript語音識別庫，用于通過語音命令控制網(wǎng)站。它建立在SpeechRecognition Web API之上，這類似于annyang的工作方式。
Annyang
Annyang初始化一個(gè) SpeechRecognition 對象，該對象定義如下：
- var SpeechRecognition = root.SpeechRecognition ||
- root.webkitSpeechRecognition ||
- root.mozSpeechRecognition ||
- root.msSpeechRecognition ||
- root.oSpeechRecognition;
有一些API可以啟動(dòng)或停止annyang：
- annyang.start：使用選項(xiàng)（自動(dòng)重啟，連續(xù)或暫停）開始監(jiān)聽，例如 annyang.start({autoRestart：true，Continuous：false})。
- annyang.abort：停止收聽（停止SpeechRecognition引擎或關(guān)閉麥克風(fēng)）。
- annyang.pause：停止收聽（無需停止SpeechRecognition引擎或關(guān)閉麥克風(fēng)）。
- annyang.resume：開始收聽時(shí)不帶任何選項(xiàng)。
這是此示例的HTML代碼：
- <!DOCTYPE html>
- <html lang="en">
- <head>
- <meta charset="UTF-8" />
- <meta name="viewport" content="width=device-width, initial-scale=1.0" />
- <title>Annyang</title>
- <script src="//cdnjs.cloudflare.com/ajax/libs/annyang/2.6.1/annyang.min.js"></script>
- <script>
- window.onload = () => {
- const button = document.getElementById('button');
- button.addEventListener('click', () => {
- if (button.style['animation-name'] === 'flash') {
- annyang.pause();
- button.style['animation-name'] = 'none';
- button.innerText = 'Press to Start';
- content.innerText = '';
- } else {
- button.style['animation-name'] = 'flash';
- button.innerText = 'Press to Stop';
- annyang.start();
- }
- });
- const content = document.getElementById('content');
- const commands = {
- hello: () => {
- content.innerText = 'You said hello.';
- },
- 'hi *splats': (name) => {
- content.innerText = `You greeted to ${name}.`;
- },
- 'Today is :day': (day) => {
- content.innerText = `You said ${day}.`;
- },
- '(red) (green) (blue)': () => {
- content.innerText = 'You said a primary color name.';
- },
- };
- annyang.addCommands(commands);
- };
- </script>
- <style>
- button {
- background: yellow;
- animation-name: none;
- animation-duration: 3s;
- animation-iteration-count: infinite;
- }
- @keyframes flash {
- 0% {
- background: red;
- }
- 50% {
- background: green;
- }
- }
- </style>
- </head>
- <body>
- <button id="button">Press to Start</button>
- <div id="content"></div>
- </body>
- </html>
第7行添加了annyang源代碼。
第20行啟動(dòng)annyang，第13行暫停annyang。
Annyang提供語音命令來控制網(wǎng)頁（第26-42行）。
第27行是一個(gè)簡單的命令。如果用戶打招呼，頁面將回復(fù)“您說‘你好’。”
第30行是帶有 splats 的命令，該命令會(huì)貪婪地捕獲命令末尾的多詞文本。如果您說“hi,愛麗絲e”，它的回答是“您向愛麗絲致意。”如果您說“嗨，愛麗絲和約翰”，它的回答是“您向愛麗絲和約翰打招呼。”
第33行是一個(gè)帶有命名變量的命令。一周的日期被捕獲為 day，在響應(yīng)中被呼出。
第36行是帶有可選單詞的命令。如果您說“黃色”，則將其忽略。如果您提到任何一種原色，則會(huì)以“您說的是原色名稱”作為響應(yīng)。
從第26行到第39行定義的所有命令都在第41行添加到annyang中。
... ..
結(jié)束
我們已經(jīng)了解了JavaScript應(yīng)用程序中的語音識別，Chrome對Web語音API提供了最好的支持。我們所有的示例都是在Chrome瀏覽器上實(shí)現(xiàn)和測試的。
在探索Web語音API時(shí)，這里有一些提示：如果您不想在日常生活中傾聽，請記住關(guān)閉語音識別應(yīng)用程序。
原文：https://betterprogramming.pub/perform-speech-recognition-in-your-javascript-applications-91367b0d0
作者：Jennifer Fu
