Piaskownica rozpoznawania mowy
Testuj Web Speech Recognition API przeglądarki: zamień mowę na tekst na żywo. Sprawdź obsługę języków i dokładność. Bezpłatnie.
-
1Wprowadź dane
Wpisz treść, wklej tekst lub załaduj plik z dysku. -
2Kliknij przycisk
Narzędzie natychmiast przetworzy Twoje dane w przeglądarce. -
3Pobierz wynik
Skopiuj gotowy tekst lub zapisz plik na urządzeniu.
return "Wynik gotowy w 0.1s";
}
Liczba słów w transkrypcji
92 znaków w 1 wierszu. Język: polski (Polska) — pl-PL.
Spróbuj podyktować: „Umów spotkanie na jutro na godzinę 10 i wyślij e-mail z podsumowaniem.”
Silnik rozpoznawania
rozpoznawanie mowy wykonuje przeglądarka (Chrome/Edge) — wymagany HTTPS i zgoda na mikrofon; piaskownica analizuje gotowy tekst i nie uruchamia mikrofonu
Język wypowiedzi
kod konfiguracji: pl-PL • piaskownica testuje 15 języków — pełna lista w tabeli poniżej
Ciągłe nasłuchiwanie
tryb ciągły (continuous) realizuje SpeechRecognition podczas dyktowania; piaskownica pracuje na wklejonej transkrypcji, nie steruje mikrofonem
Słowa
Znaki
Wiersze
Normalizacja
usuwa nadmiarowe spacje i tabulatory, ściska 3+ puste wiersze do jednej przerwy, czyści spacje przy końcach wierszy i przycina brzegi
- To narzędzie nie nagrywa dźwięku — przetwarza wyłącznie tekst, który wkleisz lub wpiszesz (np. podyktowany w telefonie).
- Dokładność dyktowania zależy od przeglądarki, urządzenia i języka.
| Element | Jak działa |
|---|---|
| Silnik rozpoznawania | SpeechRecognition (w Chrome z prefiksem webkitSpeechRecognition) — mechanizm wbudowany w przeglądarki Chrome i Edge; Firefox nie obsługuje go, Safari ma wsparcie częściowe |
| Wymagania wstępne | strona ładowana po HTTPS oraz zgoda użytkownika na dostęp do mikrofonu — bez jednego i drugiego przeglądarka nie uruchomi nasłuchiwania |
| Przebieg rozpoznawania | dźwięk z mikrofonu przetwarza silnik przeglądarki, a do strony trafia gotowy tekst (transkrypcja) — wyniki wstępne i końcowe nadchodzą zdarzeniami w miarę mówienia |
| Ciągłe nasłuchiwanie | właściwość continuous pozwala dyktować dłuższe wypowiedzi bez przerywania sesji; jej brak kończy nasłuchiwanie po pierwszej pauzie |
| Rola tej piaskownicy | nie uruchamia mikrofonu i nie nagrywa dźwięku — przyjmuje gotową transkrypcję (np. podyktowaną klawiaturą telefonu), liczy słowa, znaki i wiersze oraz potrafi ją oczyścić opcją Normalizuj |
| Zwykłe zastosowanie | dyktowanie w telefonie lub przeglądarce (klawiatura z ikoną mikrofonu) → wklejenie tekstu do pola „Transkrypcja” → podgląd statystyk i eksport .txt |
| Kod języka | Język wypowiedzi |
|---|---|
| en-US | angielski (USA) — en-US |
| en-GB | angielski (Wielka Brytania) — en-GB |
| pl-PL | polski (Polska) — pl-PL |
| de-DE | niemiecki (Niemcy) — de-DE |
| fr-FR | francuski (Francja) — fr-FR |
| es-ES | hiszpański (Hiszpania) — es-ES |
| it-IT | włoski (Włochy) — it-IT |
| pt-PT | portugalski (Portugalia) — pt-PT |
| pt-BR | portugalski (Brazylia) — pt-BR |
| uk-UA | ukraiński (Ukraina) — uk-UA |
| ru-RU | rosyjski (Rosja) — ru-RU |
| ja-JP | japoński (Japonia) — ja-JP |
| ko-KR | koreański (Korea) — ko-KR |
| zh-CN | chiński uproszczony — zh-CN |
| zh-TW | chiński tradycyjny — zh-TW |
Warto wiedzieć — rozpoznawanie mowy a prywatność
Dźwięk przetwarza przeglądarka
Przy dyktowaniu przez Web Speech API (Chrome/Edge) audio obsługuje silnik przeglądarki — strona nie nagrywa i nie przechowuje dźwięku. Ta piaskownica idzie o krok dalej: nie uruchamia mikrofonu wcale, pracuje wyłącznie na wklejonym tekście.
Transkrypcja to też dane
Podyktowany tekst może zawierać dane osobowe, adresy czy szczegóły umów. Zanim wkleisz transkrypcję do dowolnego narzędzia online, usuń z niej to, co nie musi tam trafić — a wynik i tak przeczytaj przed użyciem.
Zgoda na mikrofon jest odwracalna
Przeglądarka pokazuje ikonę mikrofonu, gdy witryna nasłuchuje, a udzieloną zgodę cofniesz w każdej chwili w ustawieniach strony (kłódka w pasku adresu). Wymagane jest też bezpieczne połączenie HTTPS — na „gołym” http rozpoznawanie się nie uruchomi.
Dokładność bywa niedoskonała
Jakość rozpoznawania zależy od języka, akcentu, mikrofonu i szumu w tle — błędy potrafią brzmieć zupełnie wiarygodnie. Dlatego statystyki i normalizacja w piaskownicy są pomocne, ale ostateczną kontrolę tekstu zawsze robi człowiek.
Oceń to narzędzie:
Powiązane narzędzia
Inne narzędzia, które mogą Ci się przydaćPiaskownica rozpoznawania mowy — Web Speech API w przeglądarce
Piaskownica rozpoznawania mowy to interaktywne narzędzie do testowania przeglądarkowegyo API Web Speech — technologii umożliwiającej zamienianie mowy na tekst (Speech-to-Text) bezpośrednio w przeglądarce, bez konieczności instalowania dodatkowego oprogramowania.
Czym jest Web Speech API?
Web Speech API to standard W3C umożliwiający aplikacjom webowym dostęp do funkcji rozpoznawania mowy (SpeechRecognition) i syntezy głosu (SpeechSynthesis) wbudowanych w przeglądarkę. Rozpoznawanie mowy jest obsługiwane przez Google Chrome, Microsoft Edge i Safari — Firefox nie obsługuje SpeechRecognition w wersji stabilnej. API wysyła nagrany dźwięk do chmury Google lub systemu lokalnego i zwraca transkrybowany tekst.
Jak działa piaskownica rozpoznawania mowy?
Kliknij przycisk uruchomienia i zezwól przeglądarce na dostęp do mikrofonu. Mów wyraźnie — API w czasie rzeczywistym transkrybuje Twoją mowę. Wyniki pojawiają się na bieżąco (interim results) i są finalizowane po zakończeniu wypowiedzi (final results). Możesz wybrać język rozpoznawania (polski, angielski, niemiecki i inne), włączyć tryb ciągłego nasłuchiwania oraz zobaczyć poziom pewności (confidence score) dla każdej transkrypcji.
Zastosowania rozpoznawania mowy w aplikacjach
Web Speech API otwiera wiele możliwości: dyktowanie tekstu zamiast pisania (szczególnie przydatne na urządzeniach mobilnych), sterowanie głosem aplikacją webową, wyszukiwanie głosowe, transkrypcja notatek i nagrań spotkań, wspomaganie dla osób z niepełnosprawnościami ruchowymi, nauka języków obcych (porównywanie wymowy z transkrypcją) oraz tworzenie chatbotów głosowych.
Ograniczenia Web Speech API
API wymaga połączenia z internetem (wysyła audio do serwera Google), działą głównie w Chrome i Edge, jakość rozpoznawania zależy od mikrofonu i warunków akustycznych, a prywatność może być kwestią sporną (nagrania trafiają na serwery Google). Dla zastosowań produkcyjnych rozważ alternatywy: Whisper (OpenAI, open-source, działa lokalnie) lub Azure Cognitive Services Speech.
Najczęściej zadawane pytania
Czy rozpoznawanie mowy działa po polsku?
Tak — Web Speech API obsługuje język polski (kod: pl-PL). Jakość rozpoznawania polskiego jest dobra, choć nieco gorsza niż angielskiego ze względu na złożoną morfologię i fleksję. Słowa specjalistyczne, nazwy własne i regionalny akcent mogą być transkrybowane z błędami.
Czy mowa jest przetwarzana lokalnie czy w chmurze?
W Chrome mowa jest wysyłana do serwerów Google do przetworzenia. Oznacza to, że potrzebujesz internetu i akceptujesz politykę prywatności Google. Nie ma możliwości lokalnego przetwarzania przez Web Speech API. Dla przetwarzania offline użyj biblioteki Whisper.cpp lub Vosk.
Jak poprawić dokładność rozpoznawania mowy?
Mów wyraźnie i w normalnym tempie, używaj dobrej jakości mikrofonu, minimalizuj szum w tle, mów do mikrofonu z odległości 20–30 cm. W kodzie możesz użyć SpeechGrammarList do wskazania specyficznych fraz i słów kluczowych, co znacznie poprawia rozpoznawanie terminologii technicznej lub nazw własnych.
Na jakich przeglądarkach działa Web Speech API?
Pełne wsparcie: Chrome (desktop i Android), Microsoft Edge. Częściowe: Safari (tylko synteza głosu od iOS 14.5, rozpoznawanie od Safari 14.1 na macOS). Brak wsparcia: Firefox (rozpoznawanie mowy nie jest zaimplementowane w stabilnej wersji), Opera, starsze wersje przeglądarek mobilnych.
Jak zintegrować rozpoznawanie mowy w swojej aplikacji webowej?
Podstawowy kod JavaScript: const recognition = new webkitSpeechRecognition(); recognition.lang = 'pl-PL'; recognition.onresult = (e) => console.log(e.results[0][0].transcript); recognition.start();. Pamiętaj o obsłudze błędów (onerror), informowaniu użytkownika o wymaganym zezwoleniu na mikrofon i testowaniu na obsługiwanych przeglądarkach.