网页中文本朗读功能开发实现

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。

1. // 标签朗读文本

2. var tagTextConfig = {

3.    'a': '链接',

4.    'input[text]': '文本输入框',

5.    'input[password]': '密码输入框',

6.    'button': '按钮',

7.    'img': '图片'

8. };

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。

1. /**

2. * 获取标签朗读文本

3. * @param {HTMLElement} el 要处理的HTMLElement

4. * @returns {String}   朗读文本

5. */

6. function getTagText(el) {

7.    if (!el) return'';

9.    var tagName = el.tagName.toLowerCase();

11.    // 处理input等多属性元素

12.    switch (tagName) {

13.        case'input':

14.            tagName += '[' + el.type + ']';

15.            break;

16.        default:

17.            break;

18.    }

20.    // 标签的功能提醒和作用应该有间隔，因此在最后加入一个空格

21.    return (tagTextConfig[tagName] || '') + ' ';

22. }

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 title 其次 alt 最后 innerText。

1. /**

2. * 获取完整朗读文本

3. * @param {HTMLElement} el 要处理的HTMLElement

4. * @returns {String}   朗读文本

5. */

6. function getText(el) {

7.    if (!el) return'';

9.    return getTagText(el) + (el.title || el.alt || el.innerText || '');

10. }

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：

1. // 正文拆分配置

2. var splitConfig = {

3.    // 内容分段标签名称

4.    unitTag: 'p',

5.    // 正文中分隔正则表达式

6.    splitReg: /[,;，；。]/g,

7.    // 包裹标签名

8.    wrapTag: 'label',

9.    // 包裹标签类名

10.    wrapCls: 'speak-lable',

11.    // 高亮样式名和样式

12.    hightlightCls: 'speak-help-hightlight',

13.    hightStyle: 'background: #000!important; color: #fff!important'

14. };

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：

1. 获取段落全部文本

2. 使用 split(分隔正则表达式) 方法将正文按照标点符号分隔成小段

3. 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：

1. split 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。

2. 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 split 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:

1. <p>这是一段测试文本，这里有个链接。<a>您好，可以点击此处进行跳转</a>还有其他内容其他内容容其他内容容其他内容，容其他内容。</p>

如先使用 /<((w+?)>)(.+?)</2(?=>)/g 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。

1. /**

2. * 正文内容分段处理

3. * @param {jQueryObject/HTMLElement/String}  $content 要处理的正文jQ对象或HTMLElement或其对应选择器

4. */

5. function splitConent($content) {

6.    $content = $($content);

8.    $content.find(splitConfig.unitTag).each(function (index, item) {

9.        var $item = $(item),

10.            text = $.trim($item.text());

11.        if (!text) return;

13.        var nodes = $item[0].childNodes;

15.        $.each(nodes, function (i, node) {

16.            switch (node.nodeType) {

17.                case3:

18.                    // text 节点

19.                    // 由于是文本节点，标签被转义了，后续再转回来

20.                    node.data = '<' + splitConfig.wrapTag + '>' +

21.                        node.data.replace(splitConfig.splitReg, '</' + splitConfig.wrapTag + '>$&<' + splitConfig.wrapTag + '>') +

22.                        '</' + splitConfig.wrapTag + '>';

23.                    break;

24.                case1:

25.                    // 元素节点

26.                    var innerHtml = node.innerHTML,

27.                        start = '',

28.                        end = '';

29.                    // 如果内部还有直接标签，先去掉

30.                    var startResult = /^<w+?>/.exec(innerHtml);

31.                    if (startResult) {

32.                        start = startResult[0];

33.                        innerHtml = innerHtml.substr(start.length);

34.                    }

35.                    var endResult = /</w+?>$/.exec(innerHtml);

36.                    if (endResult) {

37.                        end = endResult[0];

38.                        innerHtml = innerHtml.substring(0, endResult.index);

39.                    }

40.                    // 更新内部内容

41.                    node.innerHTML = start +

42.                        '<' + splitConfig.wrapTag + '>' +

43.                        innerHtml.replace(splitConfig.splitReg, '</' + splitConfig.wrapTag + '>$&<' + splitConfig.wrapTag + '>') +

44.                        '</' + splitConfig.wrapTag + '>' +

45.                        end;

46.                    break;

47.                default:

48.                    break;

49.            }

50.        });

52.        // 处理文本节点中被转义的html标签

53.        $item[0].innerHTML = $item[0].innerHTML

54.            .replace(newRegExp('&lt;' + splitConfig.wrapTag + '&gt;', 'g'), '<' + splitConfig.wrapTag + '>')

55.            .replace(newRegExp('&lt;/' + splitConfig.wrapTag + '&gt;', 'g'), '</' + splitConfig.wrapTag + '>');

56.        $item.find(splitConfig.wrapTag).addClass(splitConfig.wrapCls);

57.    });

58. }

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 mouseenter 和 mouseleave 事件来完成。

原因：

1. 不冒泡，不会触发父元素的再次朗读

2. 不重复触发，一个元素内移动时不会重复触发。

1. /**

2. * 在页面上写入高亮样式

3. */

4. function createStyle() {

5.    if (document.getElementById('speak-light-style')) return;

7.    var style = document.createElement('style');

8.    style.id = 'speak-light-style';

9.    style.innerText = '.' + splitConfig.hightlightCls + '{' + splitConfig.hightStyle + '}';

10.    document.getElementsByTagName('head')[0].appendChild(style);

11. }

12. // 非正文需要朗读的标签 逗号分隔

13. var speakTags = 'a, p, span, h1, h2, h3, h4, h5, h6, img, input, button';

15. $(document).on('mouseenter.speak-help', speakTags, function (e) {

16.    var $target = $(e.target);

18.    // 排除段落内的

19.    if ($target.parents('.' + splitConfig.wrapCls).length || $target.find('.' + splitConfig.wrapCls).length) {

20.        return;

21.    }

23.    // 图片样式单独处理 其他样式统一处理

24.    if (e.target.nodeName.toLowerCase() === 'img') {

25.        $target.css({

26.            border: '2px solid #000'

27.        });

28.    } else {

29.        $target.addClass(splitConfig.hightlightCls);

30.    }

32.    // 开始朗读

33.    speakText(getText(e.target));

35. }).on('mouseleave.speak-help', speakTags, function (e) {

36.    var $target = $(e.target);

37.    if ($target.find('.' + splitConfig.wrapCls).length) {

38.        return;

39.    }

41.    // 图片样式

42.    if (e.target.nodeName.toLowerCase() === 'img') {

43.        $target.css({

44.            border: 'none'

45.        });

46.    } else {

47.        $target.removeClass(splitConfig.hightlightCls);

48.    }

50.    // 停止语音

51.    stopSpeak();

52. });

54. // 段落内文本朗读

55. $(document).on('mouseenter.speak-help', '.' + splitConfig.wrapCls, function (e) {

56.    $(this).addClass(splitConfig.hightlightCls);

58.    // 开始朗读

59.    speakText(getText(this));

60. }).on('mouseleave.speak-help', '.' + splitConfig.wrapCls, function (e) {

61.    $(this).removeClass(splitConfig.hightlightCls);

63.    // 停止语音

64.    stopSpeak();

65. });

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 speakText(text) 和 stopSpeak() 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：

1. var speechSU = new window.SpeechSynthesisUtterance();

2. speechSU.text = '你好，世界！';

3. window.speechSynthesis.speak(speechSU);

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：

SpeechSynthesisUtterance 用于语音合成

• lang : 语言 Gets and sets the language of the utterance.

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

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

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

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

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

• onboundary : 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.

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

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

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

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

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

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

SpeechSynthesis 用于朗读

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

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

• speaking : 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.

• onvoiceschanged : 声音变化时触发

• cancel() : 情况待朗读队列 Removes all utterances from the utterance queue.

• getVoices() : 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.

• pause() : 暂停 Puts the SpeechSynthesis object into a paused state.

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

• speak() : 读合成的语音，参数必须为 SpeechSynthesisUtterance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：

1. var speaker = new window.SpeechSynthesisUtterance();

2. var speakTimer,

3.    stopTimer;

5. // 开始朗读

6. function speakText(text) {

7.    clearTimeout(speakTimer);

8.    window.speechSynthesis.cancel();

9.    speakTimer = setTimeout(function () {

10.        speaker.text = text;

11.        window.speechSynthesis.speak(speaker);

12.    }, 200);

13. }

15. // 停止朗读

16. function stopSpeak() {

17.    clearTimeout(stopTimer);

18.    clearTimeout(speakTimer);

19.    stopTimer = setTimeout(function () {

20.        window.speechSynthesis.cancel();

21.    }, 20);

22. }

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：

cdswyda - 网页文本朗读实现 - github如果要兼容其他浏览器或者需要一种完美兼容的解决方案，可能就需要服务端完成了，根据给定文本，返回相应语音即可，百度语音 http://yuyin.baidu.com/docs就提供这样的服务。

• cdswyda - 网页文本朗读实现 - github（https://github.com/cdswyda/show/tree/master/demo/speaker）

• cdswyda - 网页文本朗读实现 - demo（https://cdswyda.github.io/show/demo/speaker/）