webapi运行原理（基于Web Speech API给ChatGPT加上语音功能，距离MOSS又近了一步）

时间2025-04-30 17:01:46分类IT科技浏览4780

导读：目录...

前言

起步

实现过程

webkitSpeechRecognition

speechSynthesis

小例子

遇到的问题

效果展示

总结

前言

去年写了两篇关于接入ChatGPT的文章：微信接入ChatGPT ，使用Node+ChatGPT+Wechaty做一个微信机器人_DieHunter1024的博客-CSDN博客

站在巨人的肩膀上，用Node+ChatGPT模块实现一个接口_DieHunter1024的博客-CSDN博客

我自己也把微信小号接入了ChatGPT ，同事们直呼过瘾，每天在群里聊得风生水起

这不前段时间看了《流浪地球2》，在感叹国产科幻片如此优秀的同时，心中萌生出了一个想法，我是不是也能把语音技术结合到ChatGPT中，做个语音对话机器人玩玩？

说干就干，参照之前的文章，我们使用nodejs实现了chatGPT接口，现在只需在前端页面中实现语音识别以及语音合成就行了

起步

说到语音功能，浏览器已经提供了对应的Web Speech API，其中有两个对象，分别是

webkitSpeechRecognition：语音识别对象 speechSynthesis：语音合成对象

借助这两个对象，我们可以调用麦克风和扬声器，对浏览器进行交互

下面是一个简单的流程，用户使用webkitSpeechRecognition中的函数进行语音识别，将字符发送到之前做的chatGPT接口中，chatGPT模块调用openai换取AI模型输出结果，返回到浏览器，浏览器通过speechSynthesis合成音效，完成一个对话周期

实现过程

webkitSpeechRecognition

// 创建语音识别对象 const recognition = new webkitSpeechRecognition(); // 语音设置成中文 recognition.lang = "zh-CN"; // 开始识别 recognition.start(); // 当识别到语音时触发事件 recognition.addEventListener("result", (event) => { console.log(event.results); });

使用上述代码后，页面中会弹出权限请求，点击允许

然后我们直接说话就会有识别结果（需要挂vpn）

如果打开了麦克风，但是说话没有反应的，大概率是因为识别服务没请求到，需要挂vpn

此外， webkitSpeechRecognition类还有以下常用配置：

recognition.continuous = true 持续识别，直到调用stop ，默认为false ，识别一次就会自动关闭

recognition.interimResults = true 识别时是否打断并更新结果，默认为false ，设置为true时会有如下效果

speechSynthesis

接下来看看语音合成

const speakText = new SpeechSynthesisUtterance("hello world"); speechSynthesis.speak(speakText);

在控制台输入以下代码，即可合成hellow world的语音效果

小例子

了解了上述用法，我们可以在浏览器上实现模仿自己说话的功能，代码如下

<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8" /> <meta http-equiv="X-UA-Compatible" content="IE=edge" /> <meta name="viewport" content="width=device-width, initial-scale=1.0" /> <title>ASR-Node</title> <style> * { margin: 0; padding: 0; } #app { width: 1000px; margin: 100px auto 0; text-align: center; } h3 { margin-bottom: 20px; } </style> </head> <body> <div id="app"> <h3>ChatGPT-ASR-Bot</h3> <main> <span>发送：</span> <span id="send_msg"></span> <br /> <span>接收：</span> <span id="rec_msg"></span> </main> </div> <script type="module"> const speak = (str) => { rec_msg.textContent = str; const speakText = new SpeechSynthesisUtterance(str); // 转换字符 speechSynthesis.speak(speakText); // 语音合成 }; const listen = () => { // 创建语音识别对象 const recognition = new webkitSpeechRecognition(); // 语音设置成中文 recognition.lang = "zh-CN"; // 当识别到语音时触发事件 recognition.addEventListener("result", (event) => { const { results } = event; console.log(results); const len = results.length; const { transcript } = results[len - 1][0]; send_msg.textContent = transcript; speak(transcript); }); return recognition; }; // 开始识别 listen().start(); </script> </body> </html>

虽然放不了声音，但是效果还是很直观的：

实现完毕后，我们就可以在语音识别完成和语音合成之前这两个节点对接ChatGPT接口（代码比较多，就不贴出来了，有兴趣可以直接下载源码）

遇到的问题

虽然在识别时使用了continuous:true属性。webkitSpeechRecognition仍然会超时自动关闭。解决方式是在其end事件钩子中执行重新识别的操作

效果展示

总结

本文带领各位认识了Web Speech API的两个对象以及常用的函数，实现了一个模仿自己说话的案例，并接入最近比较火的ChatGPT模型，以实现一个类似小爱同学的语音助手的语音对话功能。

最后，感谢你的阅读，如果文章对你有帮助，还希望支持一下作者。

在这里我也抛砖引玉，期待看到大家的进阶玩法

源码：chatGPT-ASR: ChatGPT接入语音识别与合成的功能