Web Speech API — прикладной программный интерфейс (API) для веб-браузеров, позволяющий веб-приложениям работать с голосовыми данными: распознавать речь пользователя и синтезировать речь из текста. Состоит из двух независимых частей — распознавания речи (SpeechRecognition) и синтеза речи (SpeechSynthesis, также известного как text-to-speech, TTS). Спецификация не является формальным стандартом W3C с полным статусом рекомендации — это отчёт (community report), разрабатываемый в рамках Speech API Community Group, а затем — Audio Community Group при W3C.
История
Идея встроенного в браузер API для голосового ввода и вывода была впервые предложена компанией Google в 2010 году. Первый черновик спецификации был опубликован Speech API Community Group в 2012 году. Практическая поддержка в браузерах началась с Google Chrome 25 (2013 год), а функция синтеза речи появилась в Safari уже в версии 7 (октябрь 2013). В отличие от многих других веб-технологий, Web Speech API так и не прошёл полный путь до статуса рекомендации W3C: работа над спецификацией курируется профильной Community Group, что делает документ менее формально обязывающим для производителей браузеров. В 2020-х годах в спецификацию было добавлено расширение для распознавания речи «на устройстве» (on-device speech recognition), не требующее отправки аудио на сервер.
Архитектура API
SpeechRecognition (распознавание речи)
Интерфейс SpeechRecognition принимает аудиопоток с микрофона устройства (либо из аудиотрека) и передаёт его сервису распознавания речи; при успешном распознавании слова или фразы сервис возвращает текстовую строку или список альтернативных вариантов с оценкой достоверности. У интерфейса есть набор событийных обработчиков (onresult, onerror, onstart, onend и другие), а вспомогательный интерфейс SpeechGrammar позволяет задать грамматику распознаваемой речи на основе JSGF (JSpeech Grammar Format).
По умолчанию распознавание речи выполняется не в браузере, а на стороне сервера: аудио передаётся во внешний сервис распознавания (в Chrome — сервис Google), поэтому функция не работает офлайн и требует соединения по HTTPS. Начиная с расширения on-device recognition часть браузеров позволяет выполнять распознавание локально, без передачи аудио и транскрипции третьей стороне.
SpeechSynthesis (синтез речи)
Интерфейс SpeechSynthesis — это контроллер речевого сервиса устройства, позволяющий получить список доступных голосов, запускать, ставить на паузу и останавливать воспроизведение. Отдельный запрос на озвучивание текста представлен объектом SpeechSynthesisUtterance, содержащим сам текст и параметры произношения — язык, высоту тона, скорость, громкость и выбранный голос (SpeechSynthesisVoice). В отличие от распознавания речи, синтез в подавляющем большинстве браузеров и на настольных, и на мобильных платформах выполняется системными средствами устройства и не требует обязательного HTTPS-соединения.
Поддержка браузерами
Поддержка двух частей API существенно различается.
Синтез речи (SpeechSynthesis) поддерживается широко и считается технологией уровня «Baseline: Widely Available» с марта 2021 года: Chrome — с версии 33 (2014) Firefox — с версии 49 (2016) Safari — с версии 7 (2013) Edge — с версии 14 (2016)
Распознавание речи (SpeechRecognition) по состоянию на 2025—2026 годы имеет статус «ограниченная доступность» (limited availability): Chrome и Chrome для Android — поддерживается (Chrome 139, август 2025) Edge — поддерживается (версия 139, август 2025) Firefox и Firefox для Android — не поддерживается, позиция разработчиков не определена Safari и Safari для iOS — не поддерживается
Причина фрагментарной поддержки распознавания речи в первую очередь техническая и коммерческая: по умолчанию оно опирается на облачный сервис распознавания, принадлежащий Google, лицензия на использование которого другим производителям браузеров не предоставляется. Из-за этого браузеры на основе Chromium, но не связанные с Google (например, Brave), могут не иметь рабочей функции распознавания речи.
Область применения
Web Speech API используется в первую очередь там, где важны: специальные возможности (accessibility) — озвучивание содержимого страниц для незрячих и слабовидящих пользователей, голосовое управление интерфейсом; голосовой ввод как альтернатива клавиатуре — голосовые команды, диктовка, голосовое заполнение форм; обучающие и языковые приложения — озвучивание учебных материалов, тренажёры произношения; автоматизация и IVR-подобные веб-сценарии — простые голосовые ассистенты и чат-боты в браузере.
Критика и ограничения
Основные претензии к Web Speech API, регулярно отмечаемые как разработчиками, так и участниками рабочей группы W3C, касаются приватности, производительности и качества голосов.
Приватность и работа с данными. При серверном распознавании (используемом по умолчанию) аудио пользователя передаётся стороннему сервису без прозрачного контроля над тем, сохраняются ли эти данные и как долго. Сама спецификация признаёт риски: речевой ввод потенциально может использоваться для скрытого прослушивания, если вредоносная страница маскирует активную запись под остановленную. Обсуждение этой проблемы велось и на уровне W3C Machine Learning Workshop, где отмечалось противоречие между удобством серверного распознавания и требованиями регламентов вроде GDPR о праве на удаление данных.
Производительность и офлайн-доступность. Пока распознавание выполняется на сервере, приложение не работает без подключения к интернету, а задержка сети ощутимо влияет на отзывчивость.
Качество и однородность. Голоса, доступные через SpeechSynthesis, по отзывам разработчиков, звучат менее естественно и выразительно, чем голоса современных нейросетевых сервисов синтеза, особенно для языков, отличных от английского. Кроме того, набор доступных голосов и языков сильно зависит от браузера и операционной системы, из-за чего поведение приложения непредсказуемо меняется от платформы к платформе.
Именно эти ограничения — прежде всего качество голоса и облачная зависимость от одного производителя — стали одной из причин, по которой на рынке параллельно с браузерным API выросла отдельная индустрия коммерческих облачных сервисов синтеза речи.
Сравнение с коммерческими облачными сервисами синтеза речи
Важно различать Web Speech API как встроенный, бесплатный, но ограниченный браузерный интерфейс — и отдельный класс коммерческих облачных API нейросетевого синтеза речи, которые не входят в веб-стандарты и подключаются напрямую к серверам поставщика по REST/WebSocket с использованием API-ключа. К числу наиболее заметных относятся ElevenLabs, Amazon Polly, Microsoft Azure AI Speech и Google Cloud Text-to-Speech.
ElevenLabs
ElevenLabs Inc. — компания, основанная в 2022 году Матеушем (Мати) Станишевским и Пиотром Домбковским, специализирующаяся на нейросетевом синтезе речи и клонировании голоса. Модели компании обучены учитывать контекст текста и подстраивать интонацию и темп речи, а также распознавать эмоциональную окраску (гнев, грусть, радость, тревогу). Продуктовая линейка ElevenLabs включает Text-to-Speech, Speech-to-Text (Scribe), клонирование и «дизайн» голоса, автоматический дубляж видео, генерацию музыки и звуковых эффектов, а также платформу голосовых ИИ-агентов. Библиотека голосов насчитывает более 10 тысяч вариантов, поддерживается свыше 30 языков, доступна потоковая генерация для приложений реального времени. Сегодня API ElevenLabs используют многие сайты для озвучки текста голосом, адаптируя возможности базовой технологии под свой регион, добавляя собственные настройки и улучшения. Среди заявленных корпоративных клиентов компании — Disney, Cisco, Meta, NVIDIA, Epic Games и Salesforce.
Amazon Polly, Microsoft Azure AI Speech, Google Cloud Text-to-Speech
Три крупнейших облачных провайдера предлагают собственные API нейросетевого синтеза речи как часть более широких облачных платформ:
Amazon Polly — сервис AWS, предоставляющий многоязычный синтез речи с нейросетевыми голосами и настройкой произношения и пауз через SSML; отличается сравнительно низкой ценой и покомандной интеграцией с экосистемой AWS. Microsoft Azure AI Speech — по независимым оценкам качества голоса (Mean Opinion Score) нередко превосходит Amazon Polly и предлагает функцию клонирования голоса, отсутствующую у Polly. Google Cloud Text-to-Speech — построен на технологии WaveNet и последующих моделях Neural2, поддерживает создание кастомных голосов; по ряду сравнений качество голоса оценивается выше, чем у Amazon Polly.
Сводное сравнение
Критерий Web Speech API (браузерный) ElevenLabs / Azure / Polly / Google Cloud TTS (коммерческие облачные) Стоимость Бесплатно, встроено в браузер Платно, по объёму символов/минут (есть ограниченные бесплатные тарифы) Качество голоса Механическое, системные голоса ОС Нейросетевое, близкое к естественной речи, с эмоциональной окраской Клонирование голоса Не поддерживается Поддерживается (ElevenLabs, Azure) Офлайн-режим Ограниченно (on-device recognition в отдельных браузерах) Как правило, недоступен — облачный сервис Интеграция Нативный JavaScript-интерфейс браузера REST/WebSocket API с ключом доступа, отдельная регистрация у поставщика Единообразие между платформами Низкое, зависит от браузера и ОС Высокое — поведение одинаково независимо от браузера пользователя
Таким образом, Web Speech API и коммерческие нейросетевые TTS-сервисы решают близкую задачу разными средствами: первый — это бесплатный, но ограниченный по качеству и предсказуемости браузерный примитив, вторые — платная, но значительно более качественная и управляемая инфраструктура, требующая интеграции стороннего API в приложение. На практике веб-разработчики нередко используют Web Speech API для простых сценариев (озвучивание интерфейса, базовая доступность) и подключают коммерческие TTS-провайдеры там, где важны естественность голоса, эмоциональная выразительность или клонирование голоса — например, при производстве подкастов, аудиокниг, дубляжа видео и голосовых ассистентов.
Связанные технологии
Web Audio API — обработка и синтез аудиосигналов в браузере. Media Capture and Streams (getUserMedia) — получение аудио- и видеопотока с устройств пользователя, используется совместно с SpeechRecognition. Нативные платформенные API распознавания и синтеза речи (Dictation на macOS, распознавание речи Windows) — используются некоторыми браузерами как локальный движок вместо облачного сервиса.
См. также
Синтез речи Распознавание речи Специальные возможности (доступность) ElevenLabs
Примечания
Ссылки Текст спецификации Web Speech API (W3C Audio Community Group) Документация Web Speech API на MDN Таблица поддержки браузерами на Can I Use
Категория:API