UD5工具箱
术语表
Web Speech API
Web Speech API是W3C制定的一套JavaScript接口标准，为Web应用提供了语音识别（SpeechRecognition）和语音合成（SpeechSynthesis）两大核心能力。语音识别功能可以将用户的语音输入转换为文本数据，而语音合成功能可以将文本数据转换为可播放的语音音频。Web Speech API在现代浏览器中得到了广泛支持，但在不同浏览器之间的实现细节和功能完整性可能有所不同。
语音识别
语音识别（Speech Recognition）是将人类语音转换为计算机可处理的文本数据的技术过程。在Web Speech API中，语音识别功能通过SpeechRecognition对象实现。浏览器会捕获麦克风输入的音频流，通过内置的语音识别引擎（通常是云端服务）将音频信号分析转换为对应的文字。识别过程中会产生中间结果（interim results）和最终结果（final results），中间结果可能在后续处理中被修正。
语音合成
语音合成（Speech Synthesis）是将文本数据转换为人声语音的技术过程，也被称为文字转语音（Text-to-Speech，简称TTS）。在Web Speech API中，语音合成通过SpeechSynthesis对象和SpeechSynthesisUtterance对象实现。用户创建一个Utterance对象设置要朗读的文本以及语速、音调、音量等参数，然后调用speak()方法即可触发合成和播放。
语速
语速（Rate）是语音合成中的一个重要参数，控制合成语音的播放速度。在Web Speech API中，语速值的范围通常是0.1到10，其中1.0为正常语速。值小于1.0时语音变慢，大于1.0时语音变快。语速的调整不仅影响播放速度，还会相应调整语音的音节持续时间，使得慢速语音听起来更加清晰，快速语音听起来更加紧凑。
音调
音调（Pitch）是语音合成中控制声音频率高低的参数。在Web Speech API中，音调值的范围通常是0到2，其中1.0为默认音调。值低于1.0时声音变得低沉，高于1.0时声音变得高亢。音调的调整可以改变合成语音的整体声音特征，使得同一段文字可以用不同风格的声音朗读出来。
语音包
语音包（Voice）是操作系统或浏览器提供的语音合成引擎中预定义的声音配置。每个语音包包含了特定语言、特定性别的声音数据和合成参数。不同的操作系统提供的语音包数量和质量差异很大。例如Windows系统通常提供多个英文和中文语音，而macOS系统则提供了更多种类的声音选项。浏览器通过SpeechSynthesis.getVoices()方法获取所有可用的语音包列表。
持续识别模式
持续识别模式（Continuous Mode）是语音识别的一种工作模式。在该模式下，识别引擎会持续监听麦克风输入，即使检测到静默也不会自动停止识别。用户可以不间断地说话，新的识别结果会持续追加到结果列表中。这种模式适合需要进行长时间连续语音输入的场景，例如会议记录或语音备忘。在Web Speech API中，通过设置SpeechRecognition对象的continuous属性为true来启用持续识别模式。