给 Web 应用加语音输入,选型比想象中复杂——三条技术路线各有明确的适用边界。
路线一:Web Speech API(零成本起步)
浏览器原生的 SpeechRecognition,Chrome 系支持最好。几行代码就有「按住说话转文字」。
适合:原型验证、个人工具、对准确率要求不高的场景。天花板:底层实现是浏览器内置服务,不可控——识别语言依赖浏览器配置,无说话人分离,无时间戳,企业环境(代理/策略)经常直接不可用。它本质是「浏览器帮你调了个云服务」,不是本地识别。
路线二:WASM 本地模型(离线与隐私)
whisper.cpp 编译到 WASM,或 sherpa-onnx 的 Web 端口,模型(30MB~150MB)随页面加载,完全本地推理。
适合:离线场景(电子病历、录音笔类工具)、隐私敏感数据不出端。代价:首次加载慢(模型下载+编译缓存);实时率(RTF)在低端机上可能到 2~3,只能事后转写不适合实时字幕;内存峰值高,移动端 Webview 要谨慎。
路线三:云端转写 API(生产主力)
录音上传→任务轮询/WebSocket 流式返回。延迟可控(流式可到数百毫秒),准确率最好,能拿到时间戳和说话人。
适合:绝大多数生产场景。要设计的:音频上传的分片与重试、流式连接的断线恢复、结果缓存(同音频哈希复用)。
选型决策树
要离线或数据不出端 → 路线二;原型或轻量场景 → 路线一;其余 → 路线三。三条路线可以共存:同产品里,快速输入用 Web Speech,高质量转写用云端,隐私模式切本地模型——按场景路由,不必全局二选一。
一个高频坑
getUserMedia 拿到的原始 PCM 是裸的 float32,多数 API 要 16kHz/16bit WAV 或 Opus——AudioWorklet 里做降采样和编码,别在主线程做,录音时主线程卡顿会直接丢帧。