Web Speech API
浏览器原生的语音交互接口——由 W3C WebAudio Community Group 起草，分为两大独立模块：**SpeechSynthesis（文字转语音 TTS）**让网页朗读文本，**SpeechRecognition（语音转文字 STT）**让网页听懂用户说话。无需安装任何 SDK 或插件，直接用 JavaScript 调用 window.speechSynthesis 与 SpeechRecognition（Chrome/Edge 中需带 webkit 前缀）即可。
两个模块的成熟度差异显著：SpeechSynthesis 已是 Baseline「Widely available」（2018 年 9 月起全主流浏览器支持），而 SpeechRecognition 仍是「Limited availability」——Chromium 系（Chrome/Edge/Opera）和 Safari（14.1+，带 webkit 前缀）原生支持，Firefox 默认不启用，需在 about:config 手动打开 media.webspeech.recognition.enable / force_enable 两个实验开关。
关键注意点：Chrome 的识别是服务器端引擎（音频上传至 Google 云端处理，离线不可用），且必须运行在 HTTPS（或 localhost）安全上下文并取得麦克风权限；SpeechGrammar / SpeechGrammarList 已从规范移除，浏览器仅为向后兼容保留接口但实际不再生效。在跨浏览器/离线/高精度场景，通常改用第三方方案（OpenAI Whisper API、AssemblyAI、浏览器 WASM 版 whisper.cpp 等）。
评价
优点
- 零依赖原生：浏览器内置，无需引入第三方 SDK 或付费 API key
- TTS 覆盖全：SpeechSynthesis 全主流浏览器支持（Baseline），可直接调用系统自带语音
- 低延迟 STT：SpeechRecognition 在 Chrome/Edge 上接近实时返回 interim 中间结果
- API 简洁：几十行 JS 即可完成「说话→文字」「文字→朗读」闭环
- 隐私可控：TTS 完全本地执行，不上传任何数据
- 可组合：与 LLM、WebRTC、Canvas 等无缝组合，构建语音助手/无障碍/教育应用
缺点
- STT 兼容性差：Firefox 默认不支持，Safari 需前缀且功能不完整
- Chrome STT 依赖云：音频上传服务器，离线不可用、有隐私与合规顾虑
- 已废弃 Grammar 陷阱：
SpeechGrammarList仍存在于 API 但无效，容易误导开发者 - TTS 音色受限：只能用系统预装语音，音质/自然度不如商业 TTS（Azure/ElevenLabs）
- 长文本 Bug：Chrome 的
speechSynthesis在长文本时存在约 15 秒自动暂停的历史缺陷，需手动分句 resume - 无进度回传：识别置信度、说话人分离等高级能力缺失
文档地址
- MDN Web Speech API 总览：developer.mozilla.org/Web/API/Web_Speech_API
- SpeechSynthesis：developer.mozilla.org/Web/API/SpeechSynthesis
- SpeechRecognition：developer.mozilla.org/Web/API/SpeechRecognition
- W3C 规范草案（WebAudio Community Group）：webaudio.github.io/web-speech-api
- 使用指南：Using the Web Speech API
GitHub地址
- 规范仓库（WICG）：github.com/WICG/speech-api
- MDN 浏览器兼容数据：github.com/mdn/browser-compat-data