WebSpeech API は音声データをウェブアプリに組み入れることを可能にします。 Web Speech API は 2 つの部分から成り立っています: 音声合成 (Text-to-Speech) と音声認識 (Asynchronous Speech Recognition) です。
Web Speech API のコンセプトと使用法
WebSpeechAPI は音声データを処理することが出来るウェブアプリケーションを作成可能にします。この API には 2 つの構成要素があります。
- 音声認識は
SpeechRecognitionインターフェース経由でアクセスされます。これは入力された音声 (通常はデバイスのデフォルト音声認識サービス経由) から文脈を認識し、適切に対応する機能を提供します。通常は、SpeechRecognitionオブジェクトを生成するためにそのインターフェースのコンストラクターを使用します。これはデバイスのマイクから入力された音声を検知するための複数のイベントハンドラーを持ちます。SpeechGrammarインターフェースは、あなたのアプリが認識すべき特定の文法群のコンテナに相当します。文法は JSpeech Grammar Format (JSGF) を使用して定義されています。 - 音声合成は 、プログラムが文章の内容を読み取り可能にする text-to-speech コンポーネントである
SpeechSynthesisインターフェース経由でアクセスされます (通常はデバイスのデフォルトの音声合成装置経由)。多種類の音声タイプがSpeechSynthesisVoiceオブジェクトから提供され、多種類の話させたい文章の一部がSpeechSynthesisUtteranceオブジェクトから提供されます。SpeechSynthesis.speak()メソッドを使用して、文章を話させることが出来ます。
詳細は Using the Web Speech API を参照して下さい。
Web Speech API インターフェース
音声認識
SpeechRecognition- recognition service のコントローラーです。recognition service から送信された
SpeechRecognitionEventも扱います。 SpeechRecognitionAlternative- speech recognition service により認識された単語を提供します。
SpeechRecognitionError- recognition service からのエラーメッセージを提供します。
SpeechRecognitionEventresult、nomatchのためのイベントオブジェクトです。speech recognition の暫定あるいは最終的な結果に関連するすべてのデータを保持しています。SpeechGrammar- recognition service に認識してほしい言葉や言葉のパターンです。
SpeechGrammarListSpeechGrammarの一覧を提供します。SpeechRecognitionResult- 認識で一致した単一の結果を提供します。これは複数の
SpeechRecognitionAlternativeを含む場合もあります。 SpeechRecognitionResultListSpeechRecognitionResultオブジェクトの一覧を提供します。continuousモード時に結果が捕捉された場合は単一になります
音声合成
SpeechSynthesis- speech serviceのコントローラーインターフェースです。デバイス上の合成音声に関する情報を検索したり、speech の開始、一時停止、またはその他のコマンドを使用したりする際に使われます。
SpeechSynthesisErrorEvent- speech service の
SpeechSynthesisUtteranceオブジェクトの処理中に発生したあらゆるエラーに関する情報を含んでいます。 SpeechSynthesisEvent- speech service で処理された
SpeechSynthesisUtteranceオブジェクトの現在の状態に関する情報を含んでいます。 SpeechSynthesisUtterance- speach のリクエストを表します。speech service が読み取るべき内容や、読み取り方の情報 (e.g. 言語、音声の高低、音量など) を含んでいます。
SpeechSynthesisVoice- システムがサポートする音声を提供します。すべての
SpeechSynthesisVoiceは、言語、名前、URI について情報を含んだ、関連する speech service を保持しています。 Window.speechSynthesisSpeechSynthesisGetterと呼ばれる[NoInterfaceObject]インターフェースの一部として定義され、そしてWindowオブジェクトに実装されたことで、speechSynthesisプロパティはSpeechSynthesisコントローラーを使用可能にします。従って、音声合成機能へのエントリーポイントとなります。
例
Github の Web Speech API repo に、音声合成や音声認識を説明するデモが含まれています。
仕様
| 仕様 | ステータス | コメント |
|---|---|---|
| Web Speech API | ドラフト | 初回定義 |
ブラウザー互換性テーブル
現在、互換性データを可読形式の JSON フォーマットに置き換えているところです。 この互換性一覧は古い形式を使っており、これに含まれるデータの置き換えが済んでいません。 手助けしていただける場合は、こちらから！
| 機能 | Chrome | Firefox (Gecko) | Internet Explorer | Opera | Safari (WebKit) |
|---|---|---|---|---|---|
| 基本サポート | 33[1] | 49 (49)[2] | 未サポート | 未サポート | 未サポート |
| 機能 | Android | Chrome | Firefox Mobile (Gecko) | Firefox OS | IE Phone | Opera Mobile | Safari Mobile |
|---|---|---|---|---|---|---|---|
| 基本サポート | ? | (有)[1] | ? | 2.5 | 未サポート | 未サポート | 未サポート |
- [1] 音声認識のインターフェイスは、現在 Chrome では接頭辞がつけられています。そのためインターフェイス名に適切にプレフィックスを付与する必要があります (e.g.
webkitSpeechRecognition)。また、音声認識を機能させるためにはウェブサーバーを通してコードを提供する必要があります。音声合成においては、完全にプレフィックスなしでサポートされています。 - [2] 使用可能にするには about:config の
media.webspeech.synth.enabledやmedia.webspeech.recognitionを有効にしてください。デスクトップ版 Firefox では現在、音声合成のみ使用可能なことに注意して下さい。音声認識ももうすぐ (音声認識に必要な内部権限が整理された後) 使用可能になるでしょう。
Firefox OS でのパーミッション
アプリケーションで音声認識を使用するためには、以下のパーミッションを manifest の中で明示する必要があります:
"permissions": {
"audio-capture" : {
"description" : "Audio capture"
},
"speech-recognition" : {
"description" : "Speech recognition"
}
}
また、特権を持つアプリが必要になるので、以下を含める必要があります:
"type": "privileged"
音声合成においては、設定が必要なパーミッションはありません。
関連項目
- Using the Web Speech API
- SitePoint article
- HTML5Rocks article
- デモ [aurelio.audero.it]