createSpeechRecognizer / isSpeechRecognitionSupported

Eine Hülle um SpeechRecognition aus der Web Speech API — das Gegenstück zu AudioRecorder, der Audio-Bytes aufzeichnet; dieses hier bittet die Plattform, Gesprochenes in Text zu verwandeln.

Die native API lohnt es, einmal zu umhüllen, statt sie unmittelbar anzufassen: In WebKit trägt sie weiterhin ein Präfix (webkitSpeechRecognition), in lib.dom.d.ts fehlt sie, und sie meldet Alltägliches, das gar kein Ereignis ist (eine stille Pause, ein selbst aufgerufenes stop()), über denselben Fehlerkanal wie ein verweigertes Mikrofon.

Verwendung

import { createSpeechRecognizer } from 'ranuts/utils';

const mic = createSpeechRecognizer({
  lang: () => currentLocale(), // wird bei jeder Aufnahme neu gelesen, nicht nur einmal
  onResult: (text, isFinal) => {
    input.value = text;
  },
  onError: (e) => {
    if (e.kind === 'denied') toast('Der Zugriff aufs Mikrofon wurde verweigert');
  },
  onStart: () => button.classList.add('recording'),
  onEnd: () => button.classList.remove('recording'),
});

if (!mic.supported) button.style.display = 'none'; // die Mikrofon-Schaltfläche gleich ausblenden
button.addEventListener('click', () => mic.toggle());

API

isSpeechRecognitionSupported()

Gibt boolean zurück. Geprüft wird beim Aufruf, nicht beim Laden des Moduls gemerkt; du kannst dieses Modul also beim serverseitigen Rendern importieren und die Prüfung ausführen, sobald die Seite hydratisiert ist.

createSpeechRecognizer(options?)

Baut einen wiederverwendbaren SpeechRecognizer. start() erzeugt jedes Mal eine frische native Instanz, sodass jede Option, die du als Funktion übergibst (besonders lang), zu Beginn jeder Aufnahme neu gelesen wird, statt beim Erzeugen einzufrieren.

Parameter (SpeechRecognizerOptions)

Option	Beschreibung	Typ	Standard
lang	BCP-47-Kennung ('en-US', 'zh-CN') oder eine Funktion, die zu Beginn jeder Aufnahme gelesen wird	string | (() => string)	''
continuous	Über Pausen hinweg weiterhören, statt bei der ersten aufzuhören	boolean	true
interimResults	Zwischenergebnisse ausgeben, während gesprochen wird	boolean	true
onResult	Wird mit der Abschrift der gesamten bisherigen Aufnahme aufgerufen und damit, ob sie endgültig ist	(transcript: string, isFinal: boolean) => void	-
onError	Wird mit einem bereits eingeordneten Fehler aufgerufen	(error: SpeechError) => void	-
onStart	Feuert, wenn eine Aufnahme beginnt	() => void	-
onEnd	Feuert einmal je Aufnahme, gleich wie sie endete (gestoppt, abgelaufen oder mit Fehler)	() => void	-

SpeechRecognizer

Element	Beschreibung	Typ
supported	false, wenn die Plattform keine Spracherkennung hat; dann tut jede Methode nichts	boolean (Getter)
active	Ob gerade eine Aufnahme läuft	boolean (Getter)
start()	Beginnt eine Aufnahme. Wird übergangen, wenn schon eine läuft	() => void
stop()	Beendet die laufende Aufnahme; bereits Erkanntes bleibt, danach folgt onEnd	() => void
abort()	Beendet die laufende Aufnahme und verwirft noch offene Ergebnisse	() => void
toggle()	Startet, wenn nichts läuft, und stoppt, wenn etwas läuft: genau das, was eine einzelne Mikrofon-Schaltfläche braucht	() => void

SpeechError

Feld	Beschreibung	Typ
kind	'denied' (Mikrofon verweigert, sollte man zeigen), 'noSpeech' / 'aborted' (alltäglich, meist nicht der Rede wert), 'failed' (alles Übrige)	SpeechErrorKind
detail	Die rohe error-Zeichenkette aus dem Ereignis der Plattform	string

Hinweise

1. Nicht überall vorhanden. Firefox hat überhaupt keine Umsetzung von SpeechRecognition; prüfe immer recognizer.supported (oder isSpeechRecognitionSupported()), bevor du ein Mikrofon anbietest, statt anzunehmen, der Konstruktor sei da.
2. supported und active sind Getter und werden bei jedem Zugriff neu ausgewertet, nicht einmal beim Erzeugen festgehalten. Das zählt, wenn createSpeechRecognizer() läuft, bevor es window oder den Konstruktor mit Herstellerpräfix gibt (serverseitiges Rendern, ein früher Aufruf im Modulrumpf vor der Hydration): Der Erkenner greift die echte API auf, sobald sie erscheint, statt für immer supported === false zu melden.
3. Die Abschrift in onResult sammelt sich an, sie kommt nicht in Häppchen: Es ist der volle Text der bisherigen Aufnahme, überarbeitet, während die Zwischenergebnisse fester werden. Füg sie nicht selbst zusammen.
4. Den nativen Erkenner zu erzeugen oder sein start() aufzurufen kann synchron werfen (etwa wegen einer Permissions-Policy-Beschränkung oder wegen Chromes InvalidStateError, wenn schon eine Aufnahme läuft); createSpeechRecognizer fängt das ab und meldet es über onError und onEnd, statt es entwischen zu lassen.