Как добавить голосовой ввод в приложение — за 10 строк и без единого ключа

Неожиданная штука: чтобы твой сайт понимал голос, ИИ-сервис не нужен вообще. Распознавание речи встроено прямо в браузер — без ключа, без счёта, без сервера. Десять строк, и поле ввода заполняется голосом.
Подвох есть, и мы до него дойдём. Но начнём с того, что работает сегодня и бесплатно.
1. Проверь, что браузер умеет
API называется Web Speech, и живёт он под двумя именами — со старым префиксом и без. Первой строкой ловим оба:
const SR = window.SpeechRecognition || window.webkitSpeechRecognition
if (!SR) {
// браузер не умеет — прячем кнопку микрофона
}
Работает в Chrome, Edge, Safari (с 14.1 на маке и 14.5 на айфоне) и почти во всех браузерах на Chromium. В Firefox — нет. Поэтому кнопку показываем только тем, у кого она сработает: молчащий микрофон раздражает сильнее, чем его отсутствие.
Второе условие — страница должна открываться по HTTPS. Микрофон в незащищённом соединении браузер не даст. Локальный localhost — исключение, там всё заведётся.
2. Заведи распознавалку
const recognition = new SR()
recognition.lang = 'ru-RU' // язык нужно указать явно
recognition.interimResults = true // показывать текст по ходу речи
recognition.continuous = false // остановиться после первой фразы
Три настройки — три разных поведения:
lang— без него берётся язык страницы, и русская речь распознаётся как английская каша. Указывай всегда.interimResults = true— текст появляется, пока человек говорит. Без этого экран молчит несколько секунд, и кажется, что сломалось.continuous = false— режим «одна фраза». Для поля поиска то, что нужно; для диктовки заметок ставьtrue.
3. Забери результат
recognition.onresult = (event) => {
const last = event.results[event.results.length - 1]
input.value = last[0].transcript
if (last.isFinal) {
// фраза закончена — можно отправлять
}
}
button.onclick = () => recognition.start()
Внутри event.results лежат куски распознанного, и у каждого есть флаг isFinal. Пока он false — это черновик, браузер ещё может переписать слово, услышав продолжение. Как только true — фраза зафиксирована.
Это и есть весь голосовой ввод. Дальше — то, о чём молчат туториалы.
Одна ловушка тут точно тебя поймает: при следующем запуске поле обнулится. Браузер отдаёт transcript только текущей сессии, а строка input.value = ... стирает всё, что было до. Человек надиктовал абзац, сделал паузу, продолжил — и первый абзац исчез.
Лечится хранением готового текста отдельно от черновика:
let final = ''
recognition.onresult = (event) => {
let draft = ''
for (const res of event.results) {
if (res.isFinal) final += res[0].transcript
else draft += res[0].transcript
}
input.value = final + draft
}
Финальные куски копятся в final, промежуточные каждый раз рисуются заново. Текст больше не пропадает, а человек всё так же видит слова по ходу речи.
4. Обработай два отказа, которые случаются у всех
recognition.onerror = (e) => {
if (e.error === 'not-allowed') // человек не дал доступ к микрофону
if (e.error === 'no-speech') // тишина, распознавать нечего
}
not-allowed — самый частый: пользователь закрыл окно с запросом или запретил микрофон раньше. Показывай подсказку, а не пустое поле. no-speech прилетает через несколько секунд тишины и это нормальная ситуация, а не поломка.
И третье, чего в коде не видно: звук уходит на сервер. Chrome отправляет запись в облако Google, чтобы распознать. Для поля поиска это нормально, для медицинских заметок — нет.
Свежая деталь: в спецификации появилось свойство processLocally. Ставишь true — и браузер обязан распознавать на устройстве, без отправки наружу. Проверить, доступен ли язык локально, можно через SpeechRecognition.available(), а докачать языковой пакет — через SpeechRecognition.install(). Поддержка пока не везде, так что это ветка «если умеет — используем», а не замена основной.
5. Когда браузера не хватает — подключай Whisper
Web Speech проигрывает в трёх случаях: нужен Firefox, нужна расшифровка загруженного файла, нужна пунктуация и качество получше.
Тогда схема другая: пишем звук в браузере, отправляем на свой сервер, оттуда — в модель.
const rec = new MediaRecorder(stream)
const chunks = []
rec.ondataavailable = (e) => chunks.push(e.data)
rec.onstop = async () => {
const blob = new Blob(chunks, { type: 'audio/webm' })
const fd = new FormData()
fd.append('file', blob, 'audio.webm')
await fetch('/api/transcribe', { method: 'POST', body: fd })
}
А уже на сервере файл уходит в /v1/audio/transcriptions. Ключ живёт только там — на фронтенде его быть не должно, ключ из браузера утекает за минуту. Как устроен такой обмен вообще — в разборе как подключить API к проекту.
Два ограничения, на которые налетают: файл не больше 25 МБ (это вес, а не длина: моно 16 кГц спокойно даёт часы в лимит) и платишь ты за минуты, а не за запросы.
Что получится
Кнопка с микрофоном, которая заполняет поле голосом: нажал, сказал «найди кофейни рядом» — текст появился по мере речи, форма отправилась. На бесплатном пути — ноль ключей, ноль настроек, ноль счетов. На платном — расшифровка любого файла и работа во всех браузерах.
Хорошее правило: начни с Web Speech, добавь Whisper только когда упрёшься. Половина проектов до второго шага не доходит.
Работает ли голосовой ввод на телефоне?
Да, на iOS с Safari 14.5 и на Android в Chrome. Но помни про мобильную специфику: страница должна быть на HTTPS, а start() обязан вызываться в ответ на касание — «начать слушать при загрузке» браузер запретит.
Почему распознавание останавливается само через несколько секунд?
Это встроенный таймаут тишины, не баг. При continuous = false браузер завершает сессию после фразы, при continuous = true — после паузы. Для длинной диктовки перезапускай распознавание в обработчике onend, тогда пауза не будет обрывать запись.
Курс «Профессия 2027: ИИ-архитектор»: шаг за шагом от основ компьютера до своего приложения и первых клиентов. 543 коротких урока на телефоне.





