网页中文本朗读功能开发实现分享

前几天完成了一个需求，在网页中完成鼠标指向哪里，就用语音读出所指的文本。如果是按钮、链接、文本输入框，则还还要给出是什么的提醒。同时针对大段的文本，不能整段的去读，要按照标点符号进行断句处理。

重点当然就是先获取到当前标签上的文本，再把文本转化成语音即可。

标签朗读

这个很简单了，只用根据当前是什么标签，给出提示即可。

还有需要朗读的标签，继续再添加即可。

然后根据标签，返回前缀文本即可。

获取完整的朗读文本就更简单了，先取标签的功能提醒，再取标签的文本即可。

文本内容优先取 其次 最后 。

这样就可以获取到一个标签的功能提醒和内容的全部带朗读文本了。

正文分隔

接下来要处理的就是正文分隔了，在这个过程中，踩了不少坑，走了不少弯路，好好记录一下。

首先准备了正文分隔的配置：

最开始想的就是直接按照正文中的分隔标点符号进行分隔就好了呀。

想法如下：

获取段落全部文本

使用 方法将正文按照标点符号分隔成小段

每个小段用标签包裹放回去即可

然而理想很丰满，现实很骨感。

两个大坑如下：

方法进行分隔，分隔后分隔字符就丢了，也就是说把原文的一些标点符号给弄丢了。

如果段落内还存在其他标签，而这个标签内部也正好存在待分隔的标点符号，那包裹分段标签时直接破换了原标签的完整性。

关于第一个问题，丢失标点的符号，考虑过逐个标点来进行和替换 分隔方法为逐个字符循环来做。

前者问题是原本一次完成的工作分成了多次，效率太低。第二种感觉效率更低了，分隔本来是很稀疏的，但是却要变成逐个字符出判断处理，更关键的是，分隔标点的位置要插入包裹标签，会导致字符串长度变化，还要处理下标索引。代码是机器跑的，或许不会觉得烦，但是我真的觉得好烦。如果这么干，或许以后哪个 AI 或者同事看到这样的代码，说不定会说 “这真是个傻 xxxx”。

第二个问题想过很多办法来补救，如先使用正则匹配捕获内容中成对的标签，对标签内部的分隔先处理一遍，然后再处理整个的。

想不明白问题二的，可参考一下待分隔的段落:

如先使用 正则，依次捕获段落内被标签包裹的内容，对标签内部的内容先处理。

但是问题又来了，这么处理的都是字符串，在 js 中都是基本类型，这些操作进行的时候都是在复制的基础上进行的，要修改到原字符串里去，还得记录下原本的开始结束位置，再将新的插进去。繁，还是繁，但是已经比之前逐个字符去遍历的好，正则捕获中本来就有了匹配的索引，直接用即可，还能接受。

但是这只是处理了段落内部标签的问题，段落内肯定还有很多文本是没有处理呢，怎么办？

正则匹配到了只是段落内标签的结果啊，外面的没有啊。哦，对，有匹配到的索引，上次匹配到的位置加上上次处理的长度，就是一段直接文本的开始。下一次匹配到的索引 - 1 就是这段直接文本的结束。这只是匹配过程中的，还有首尾要单独处理。又回到烦的老路上去了。。。

这么烦，一个段落分隔能这么繁琐，我不信！

突然想到了，有文本节点这么个东西，删繁就简嘛，正则先到边上去，直接处理段落的所有节点不就行了。

文本节点则分隔直接包裹，标签节点则对内容进行包裹，这种情况下处理的直接是 dom，更省事。

文本节点里放标签？这是在开玩笑么，是也不是。文本节点里确实只能放文本，但是我把标签直接放进去，它会自动转义，那最后再替换出来不就行了。

好了，方案终于有了，而且这个方案逻辑多简单，代码逻辑自然也不会烦。

上面代码中最后对文本节点中被转义的包裹标签替换似乎有点麻烦，但是没办法，ES5 之前 JavaScript 并不支持正则的后行断言（也就是正则表达式中 “后顾”）。所以没办法对包裹标签前后的 和 进行精准替换，只能连同标签名一起替换。

事件处理

在上面完成了文本获取和段落分隔，下面要做的就是鼠标移动上去时获取文本触发朗读即可，移开时停止朗读即可。

鼠标移动，只读一次，基于这两点原因，使用 和 事件来完成。

原因：

不冒泡，不会触发父元素的再次朗读

不重复触发，一个元素内移动时不会重复触发。

注意要把针对段落的语音处理和其他地方的分开。为什么？ 因为段落是个块级元素，鼠标移入段落中的空白时，如：段落前后空白、首行缩进、末行剩余空白等，是不应该触发朗读的，如果不阻止掉，进行这些区域将直接触发整段文字的朗读，失去了我们对段落文本内分隔的意义，而且，无论什么方式转化语音都是要时间的，大段内容可能需要较长时间，影响语音输出的体验。

文本合成语音

上面我们是直接使用了 和 两个方法来触发语音的朗读和停止。

我们来看下如何实现这个两个功能。

其实现代浏览器默认已经提供了上面功能：

复制到浏览器控制台看看能不能听到声音呢？(需要 Chrome 33+、Firefox 49+ 或 IE-Edge)

利用一下两个 API 即可：

用于语音合成

: 语言 Gets and sets the language of the utterance.

: 音高 Gets and sets the pitch at which the utterance will be spoken at.

: 语速 Gets and sets the speed at which the utterance will be spoken at.

: 文本 Gets and sets the text that will be synthesised when the utterance is spoken.

: 声音 Gets and sets the voice that will be used to speak the utterance.

: 音量 Gets and sets the volume that the utterance will be spoken at.

: 单词或句子边界触发，即分隔处触发 Fired when the spoken utterance reaches a word or sentence boundary.

: 结束时触发 Fired when the utterance has finished being spoken.

: 错误时触发 Fired when an error occurs that prevents the utterance from being succesfully spoken.

: Fired when the spoken utterance reaches a named SSML "mark" tag.

: 暂停时触发 Fired when the utterance is paused part way through.

: 重新播放时触发 Fired when a paused utterance is resumed.

: 开始时触发 Fired when the utterance has begun to be spoken.

: 用于朗读

:Read only是否暂停 A Boolean that returns true if the SpeechSynthesis object is in a paused state.

:Read only是否处理中 A Boolean that returns true if the utterance queue contains as-yet-unspoken utterances.

:Read only是否朗读中 A Boolean that returns true if an utterance is currently in the process of being spoken — even if SpeechSynthesis is in a paused state.

: 声音变化时触发

: 情况待朗读队列 Removes all utterances from the utterance queue.

: 获取浏览器支持的语音包列表 Returns a list of SpeechSynthesisVoice objects representing all the available voices on the current device.

: 暂停 Puts the SpeechSynthesis object into a paused state.

: 重新开始 Puts the SpeechSynthesis object into a non-paused state: resumes it if it was already paused.

: 读合成的语音，参数必须为 的实例 Adds an utterance to the utterance queue; it will be spoken when any other utterances queued before it have been spoken.

详细 api 和说明可参考:

MDN - SpeechSynthesisUtterance

MDN - SpeechSynthesis

那么上面的两个方法可以写为：

因为语音合成本来是个异步的操作，因此在过程中进行以上处理。

现代浏览器已经内置了这个功能，两个 API 接口兼容性如下：

原文：https://blog.cdswyda.com/post/2017120914