大家好!上一課我們讓 AI「睜開眼睛」看懂了圖片,這一課要讓它「豎起耳朵」聽你說話,再「開口」回答你。你每天對手機喊「嘿 Siri」、「小愛同學」,背後其實就是一套語音應用的流水線。很多同學以為做語音應用要學很深的音訊處理,其實瀏覽器早就內建了現成的工具——Web Speech API。今天我們就用它,加上之前教過的 LLM API,用不到一百行程式碼,做出一個會聽、會想、會說的網頁語音助理。
一、語音應用的三段旅程:聽 → 想 → 說
把語音助理拆開看,本質上是一條三站式的流水線:
- 聽(ASR 語音辨識):把你的聲音轉成文字,對應瀏覽器的
SpeechRecognition; - 想(LLM 大模型):把文字交給大模型產生回答,就是我們第五課「接模型」教的那套 API;
- 說(TTS 語音合成):把回答文字轉成聲音唸出來,對應
SpeechSynthesis。
打個比方:你請了一位速記員(聽)、一位參謀(想)、一位播音員(說)。三人接力,你的問題就變成了一段口頭回答。重點:三段各自獨立,任何一段都可以單獨替換——比如以後把 ASR 換成雲端服務,程式碼結構完全不用動。
二、步驟 1:讓瀏覽器聽懂你說話
先建立一個辨識器,指定繁體中文,把結果丟到畫面上:
const rec = new (window.SpeechRecognition ||
window.webkitSpeechRecognition)();
rec.lang = 'zh-TW'; // 繁體中文
rec.interimResults = true; // 邊說邊顯示暫存結果
rec.onresult = (e) => {
const text = Array.from(e.results)
.map(r => r[0].transcript).join('');
output.textContent = text; // 即時顯示聽寫內容
};
rec.onend = () => listenBtn.disabled = false;
rec.onerror = (e) => console.log('辨識錯誤:', e.error);
listenBtn.onclick = () => { rec.start(); listenBtn.disabled = true; };
特別注意:麥克風權限要求頁面必須跑在 HTTPS(或 localhost)環境,而且目前以 Chrome 系瀏覽器支援最完整,開發時請先用 Chrome 測。
三、步驟 2:把聽到的話交給大模型
這一段完全複用第五課的知識——呼叫 OpenAI 相容格式的聊天 API。為了安全,金鑰放在後端代理,前端只打自己的接口:
async function askLLM(userText) {
const res = await fetch('/api/chat', {
method: 'POST',
headers: { 'Content-Type': 'application/json' },
body: JSON.stringify({
messages: [
{ role: 'system', content: '你是簡潔的語音助理,回答控制在兩句以內。' },
{ role: 'user', content: userText }
]
})
});
const data = await res.json();
return data.reply; // 後端回傳的文字回答
}
這裡有個語音應用特有的細節:System Prompt 要限制回答長度。螢幕上讀長文沒問題,但用「聽」的,超過三句話就會讓人失去耐心。這是語音介面與聊天介面最大的差異。
四、步驟 3:讓 AI 開口說話
拿到文字回答後,交給 SpeechSynthesis 唸出來:
function speak(text) {
speechSynthesis.cancel(); // 先清掉排隊中的語音
const u = new SpeechSynthesisUtterance(text);
u.lang = 'zh-TW';
u.rate = 1.1; // 語速,1 為正常
u.pitch = 1; // 音調
speechSynthesis.speak(u);
}
重點:每次 speak 前先呼叫 cancel(),避免上一段話還沒唸完、新的又排隊接上,越疊越多。
五、步驟 4:三個讓體驗合格的細節
核心流程通了之後,離「能用的產品」還差三個細節:
- 打斷回聲循環:AI 正在唸答案時,麥克風會把自己的聲音也聽進去,變成「自問自答」的鬼打牆。解法:開始合成時先
rec.abort()停掉辨識,唸完再恢復; - no-speech 容錯:使用者按了說話卻沒出聲,onerror 會收到
no-speech,給個「沒聽到,再說一次」的提示並允許重試; - 狀態要看得見:聽寫中、思考中、說話中三種狀態用不同按鈕樣式或動畫標示,使用者才知道現在該不該開口。
把四個步驟串起來:onend(說完話)→ askLLM(思考)→ speak(開口)→ 唸完恢復監聽,一個免安裝、純前端的語音助理就完成了。
六、總結與下一步
今天用瀏覽器原生的「聽」與「說」,加上大模型的「想」,拼出了語音應用的最小閉環。記住三個關鍵字:HTTPS 權限、回答要短、小心回聲循環。下一篇我們繼續新方向——把 AI 帶出瀏覽器,聊聊桌面端 AI 應用怎麼做。
互動話題:你最希望語音助理幫你做什麼?是唸新聞、聲控查資料,還是幫小孩練口語?留言告訴我,下篇見!