Голосовые сообщения и звонки уже привычны в мессенджерах, но набор текста голосом на веб-странице часто зависит от отдельного сервиса или операционной системы. В обновлённой дорожной карте Firefox от 27 октября Mozilla описала работу над встроенным распознаванием речи для настольного браузера. Сайты смогут использовать эту возможность для голосового ввода и субтитров, при этом исходная аудиозапись, согласно описанию, останется на устройстве.

Браузер как посредник между микрофоном и сайтом

Смысл подхода — дать веб-приложению понятный способ запросить расшифровку, не отправляя звуковой поток на отдельный сервер распознавания. После загрузки языковой модели обработка, как ожидается, сможет выполняться и без подключения к сети. Для чата это потенциально полезно в двух сценариях: человек диктует сообщение вместо печати или получает текстовую расшифровку речи в ситуациях, когда неудобно слушать звук.

Такой вариант может сделать голосовой ввод доступнее людям, которым сложно долго печатать, а субтитры — помочь участникам звонка следить за разговором в шумном помещении или без наушников. Для разработчиков веб-сервисов браузерная функция могла бы уменьшить необходимость подключать собственный облачный движок и передавать ему аудио. Однако конкретные интерфейсы, языки распознавания и условия доступности Mozilla пока не назвала.

Важно не перепутать анонс с готовой функцией

Распознавание речи пока обозначено в дорожной карте как работа в развитии, а не как уже выпущенная возможность. Компания не сообщила точную дату запуска. Поэтому сейчас нельзя считать, что сайты на Firefox уже получают новый механизм или что он поддерживает конкретный язык. До появления релизных заметок и документации это направление, а не функция, которую можно включить в настройках.

В том же перечне Mozilla описала и чтение веб-страниц вслух на настольных компьютерах и Android, а также сохранение статей для чтения или прослушивания без сети на Android. Эти возможности тоже заявлены как будущие. Вместе они показывают, что браузер рассматривают не только как окно для страниц, но и как среду, где часть работы с речью и контентом может происходить локально.

Локальная обработка не означает анонимность

Даже если аудиофайл не уходит на сервер распознавания, результат — распознанный текст — сайт всё равно получает, чтобы отправить сообщение или показать подписи. Сам веб-ресурс может хранить этот текст, связывать его с аккаунтом и обрабатывать по собственным правилам. Пользователю по-прежнему важно проверять, какой сайт запросил доступ к микрофону, где сохраняются расшифровки и можно ли отозвать разрешение.

Есть и практические компромиссы: модель нужно загрузить, она занимает место, а качество распознавания зависит от языка, акцента, шума и характеристик устройства. Для живых звонков особенно важны задержка и возможность исправить ошибку до отправки сообщения. Если Mozilla доведёт идею до реализации, разработчикам мессенджеров придётся аккуратно разделить «распознать речь» и «передать аудио»: первое может выполняться на стороне клиента, тогда как второе остаётся осознанным действием пользователя.

Пока это только направление разработки, но оно отвечает на важный вопрос веб-коммуникаций: можно ли добавить голосовые функции, не превращая каждый микрофонный ввод в загрузку аудио в облако. Ответ будет зависеть не от обещания браузера в одиночку, а от будущей реализации, прозрачных разрешений и того, насколько ясно сами сайты объяснят пользователю, что происходит с его словами.