UD5工具箱
语音识别核心术语
为了帮助用户更好地理解和使用语音识别转文字工具，我们整理了以下核心术语的详细解释。这些术语涵盖了语音识别技术的基础概念、Web Speech API 的关键接口以及影响识别效果的重要参数。
SpeechRecognition（语音识别接口）
SpeechRecognition 是 Web Speech API 中用于语音识别的核心 JavaScript 接口。它提供了控制语音识别会话的方法和属性，包括开始识别（start）、停止识别（stop）、暂停识别（abort）等操作。该接口通过监听事件（如 onresult、onerror、onend）来获取识别结果和状态变化。在本工具中，SpeechRecognition 接口负责管理整个语音识别的生命周期，从用户点击麦克风按钮开始，到识别结束或用户手动停止。它是连接用户语音输入和文字输出之间的桥梁，所有的语音数据处理都通过该接口完成。
Web Speech API（网页语音接口）
Web Speech API 是由 W3C（万维网联盟）制定的一套标准化 JavaScript 接口，允许网页应用直接使用浏览器内置的语音识别和语音合成功能。它主要包含两大部分：SpeechRecognition（语音识别，将语音转换为文字）和 SpeechSynthesis（语音合成，将文字转换为语音）。该 API 的最大优势在于无需安装任何插件或软件，现代浏览器原生支持即可使用。语音识别的处理通常由浏览器厂商的云端服务器完成，音频数据在传输过程中经过加密处理。本工具正是基于 Web Speech API 的 SpeechRecognition 接口构建的。
Interim Results（实时中间结果）
Interim Results 是语音识别过程中产生的实时中间结果，也称为"临时识别结果"。当用户说话时，识别引擎会不断产生这些中间结果，它们会在用户继续说话时被持续修正和更新。中间结果的特点是尚未最终确认，可能会随着后续语音输入而发生变化。在本工具中，中间结果以不同的视觉样式显示（如灰色或斜体），让用户可以清楚地区分哪些是正在识别中的文字、哪些是已确认的最终文字。通过启用 interim results 功能，用户可以在说话的同时实时看到识别进度，大大提升了交互体验。
Final Results（最终确认结果）
Final Results 是语音识别引擎确认的最终识别结果，不会再发生变化。当识别引擎对某段语音的识别达到足够高的置信度时，该结果会被标记为"最终结果"（isFinal = true）。最终结果一旦产生，就会从临时状态变为确定状态，文字内容不会再被修正或替换。在本工具的显示区域中，最终结果通常以正常字体和颜色显示，与仍在更新中的中间结果形成对比。最终结果的产生通常需要用户停顿或完成一句话的表达，识别引擎会在短暂的处理后给出确认结果。
Continuous Mode（连续识别模式）
Continuous Mode 是 Web Speech API 的一种识别模式设置。当 continuous 属性设置为 true 时，语音识别引擎会在用户停止说话后继续监听，直到用户手动停止识别或达到某些终止条件。这种模式适合需要长时间连续识别的场景，如会议记录、课堂笔记等。与之相对的是非连续模式（continuous = false），在该模式下，识别引擎会在检测到用户停止说话后自动结束识别会话。本工具根据实际使用场景，默认启用了连续识别模式，让用户可以持续说话而无需反复点击开始按钮。
Speech Recognition Grammar（语音识别语法）
Speech Recognition Grammar 是 Web Speech API 中用于定义语音识别词汇范围的机制。通过设置语法文件（通常使用 SRGS 格式），可以限制识别引擎只识别特定的词汇和短语，从而提高识别的准确率。例如，在一个订餐系统中，可以通过语法文件限定识别引擎只识别菜单上的菜品名称。在本工具中，我们没有使用语法限制，而是让识别引擎识别所有可能的语音输入，以提供最通用的语音转文字体验。但在特定的专业场景下，合理使用语法限制可以显著提升识别的精准度。
Recognition Confidence（识别置信度）
Recognition Confidence 是语音识别引擎对识别结果给出的置信度评分，数值范围在 0 到 1 之间。1 表示引擎完全确信识别结果正确，0 表示完全不确定。置信度是衡量识别结果可靠性的重要指标。在本工具中，虽然没有直接向用户展示置信度数值，但识别引擎内部会利用该评分来决定哪些结果应该被标记为"最终结果"。一般来说，置信度超过一定阈值（如 0.5）的结果才会被确认为最终结果。用户可以通过观察识别文字的稳定速度来间接判断识别的置信度——识别速度越快越稳定，说明置信度越高。
浏览器与网络相关术语
HTTPS 要求
Web Speech API 的语音识别功能通常要求页面通过 HTTPS 协议提供服务。这是出于安全考虑，因为麦克风属于敏感设备，浏览器不允许非安全连接（HTTP）的页面访问麦克风。在 HTTPS 环境下，音频数据在传输过程中经过 TLS 加密，确保数据的安全性。如果在本地开发环境中使用（如 localhost），浏览器通常会允许 HTTP 环境下的麦克风访问。
云端语音处理
Web Speech API 的语音识别并非在浏览器本地完成，而是将麦克风捕获的音频数据通过加密通道发送到浏览器厂商的云端服务器进行处理。识别结果再通过网络返回到浏览器中显示。这意味着语音识别需要稳定的网络连接。Google Chrome 的语音识别由 Google 的云端服务器处理，Microsoft Edge 由 Azure 服务处理。虽然音频数据需要上传到云端，但数据在传输过程中经过加密，且不会被永久存储。
浏览器兼容性
不同浏览器对 Web Speech API 的支持程度不同。Google Chrome（桌面版和 Android 版）和 Microsoft Edge（基于 Chromium 内核）提供了最完善的支持。Firefox 可以通过在 about:config 中开启实验性标志来部分支持。Safari 的支持较为有限。Opera 等基于 Chromium 内核的浏览器通常也能正常使用。建议用户使用最新版本的 Chrome 或 Edge 浏览器以获得最佳体验。
localStorage（本地存储）
localStorage 是浏览器提供的一种本地数据存储机制，允许网页将数据以键值对的形式存储在用户设备上。本工具使用 localStorage 来保存用户的识别历史记录和语言偏好设置。数据存储在用户浏览器中，不会发送到任何服务器。清除浏览器数据时，localStorage 中的内容也会被清除。使用 localStorage 的好处是数据访问速度快、无需网络请求，且不会产生额外的服务器存储成本。