Webにおける音声

歴史

[2] Web による音声入出力には長い歴史がありますが、未だ成熟していません。

HTML

[15] Netscape は embed により間接的に音声出力に対応しました。

[14] IE は bgsound, <img dynsrc> により音声出力に対応しました。後に object により間接的に対応し、こちらが主流となりました。

[16] その後しばらく音声機能が直接 Webブラウザーで実装されることはありませんでした。

[20] device-upload はフォームの音声入力機能を提案しましたが、実装されませんでした。

[21] ガラケー用の Webブラウザーは、 object 要素などを使って独自の音声再生機能を実装していました。

CSS

[10] CSS 2.0 は媒体型 aural と関連する特性を規定していました。 Emacs/W3 + Emacspeak の実装に基づいていました。

[11] CSS 2.1 と CSS3 は媒体型 speech に置き換えるとともに、複数の実装が無いとして、関連する特性を規定から参考/CR レベルに格下げしました。

[7] BEP and Emacs-W3 <http://www.argv.org/bep/doc/jarvi10/bep.html#w3-demo>

例文 & レンダリング例あり。

[25] Speech Synthesis Markup Language (SSML) Version 1.1 (2010-09-08 00:26:19 +09:00 版) <http://www.w3.org/TR/2010/REC-speech-synthesis11-20100907/#S2.3.2>

Aural Cascading Style Sheets [CSS2 §19] are employed to augment standard visual forms of documents (like HTML) with additional elements that assist in the synthesis of the text into audio. In comparison to SSML, ACSS-generated documents are capable of more complex specifications of the audio sequence, including the designation of 3D location of the audio source. Many of the other ACSS elements overlap SSML functionality, especially in the specification of voice type/quality. SSML may be viewed as a superset of ACSS capabilities, excepting spatial audio.

[12] Gecko は関連する特性を CSSOM レベルでは実装していましたが、レンダリングは実装していませんでした。

[13] Presto は CSS 2.1/CSS3 に基づき speech を実装していました。