用mark标签配合SpeechSynthesis.onboundary可实现逐句高亮,但需通过Range和DocumentFragment操作文本节点,避免innerHTML破坏DOM;须手动映射charIndex到真实节点、处理跨节点句子、清除残留高亮,并显式设置mark样式以保障可访问性。

直接用 mark 标签包裹句子并配合 Web Speech API 的 SpeechSynthesis.onboundary 事件,就能实现逐句高亮——但必须绕开 innerHTML 替换、避免 DOM 破坏,且要处理多句并发、边界错位、CSS 渲染延迟等真实问题。
用 SpeechSynthesis.onboundary 捕获朗读位置
Web Speech API 提供的 onboundary 是唯一能准确定位“当前朗读到哪一句”的机制。它在语音引擎切分语句时触发,附带 charIndex 和 charLength,但注意:这些值是针对原始文本字符串的偏移量,不是 DOM 节点索引。
-
charIndex不等于 DOM 中第几个<p></p>或第几个<span></span>,需手动映射到实际节点 - 同一段落内多个句子共存时,
charLength可能为 0(尤其中文无标点分隔场景),需 fallback 到句号、问号、换行符等做二次切分 - 不能依赖
onvoiceschanged后立刻调用speechSynthesis.speak(),部分语音引擎(如 Chrome 的 native TTS)会延迟初始化边界事件
逐句高亮必须用 Range + DocumentFragment,别碰 innerHTML
把句子文本从 DOM 中提取出来、正则匹配再塞回去,会导致事件监听器丢失、表单状态清空、contenteditable 光标错乱。正确做法是定位到对应文本节点,用 Range 包裹并插入 mark 元素。
htmlq 是一个命令行工具,使用 CSS 选择器从 HTML 中提取内容,相当于 jq 的 HTML 版本。该工具使用 Rust 编写,允许你通过 CSS 选择器将 HTML 管道化,直接从终端提取文本、属性和结构化内容。
- 用
document.createTreeWalker(root, NodeFilter.SHOW_TEXT)遍历所有纯文本节点,累加textContent.length找到charIndex落在哪一段 - 对目标文本节点调用
splitText(offset)拆分,再用document.createElement('mark')包裹中间片段 - 高亮前先清除上一句的
mark(只删 class 为spoken的元素,不删用户原有mark),避免嵌套或残留 - 若句子跨两个文本节点(如“你好,世界!”),需合并处理,否则
Range无法跨节点创建
mark 样式必须显式声明 background-color 和 color
浏览器默认的 mark 黄底黑字在深色主题、高对比度模式或某些 CSS 重置库下会完全失效。不写样式 = 放弃可访问性。
立即学习“前端免费学习笔记(深入)”;
- 至少设置
background-color: #ffeb3b和color: #212121,否则 Safari 15+ 和 Edge 在暗色模式下可能渲染为透明背景+白色文字,不可见 - 加
padding: 0.1em 0.2em和border-radius: 2px,原生mark紧贴文字边缘,视觉识别率低 - 避免用
!important强制覆盖,改用更具体的选择器如p mark.spoken或[data-spoken] mark - WCAG 要求对比度 ≥ 4.5:1,黄色背景配深灰文字比配黑色更稳妥
PDF 或富文本中高亮失败的三个硬限制
即使逻辑完全正确,以下情况仍会导致高亮“看起来没反应”:
- PDF 在 Edge 中以 iframe 加载时,
window.getComputedStyle()无法读取其内部节点样式,Range创建失败 → 必须确保 PDF 是通过<embed></embed>或 Edge 原生 PDF 查看器打开,而非 iframe - 网页含
contenteditable="true"区域时,部分 TTS 引擎(如 Windows Narrator)会接管朗读,绕过 Web Speech API → 此时只能监听onvoiceschanged+ 用户点击事件模拟同步 - 动态加载内容(如 React/Vue 渲染的段落)未等框架完成挂载就调用
speechSynthesis.speak()→ 需监听MutationObserver或组件ref就绪信号后再绑定朗读逻辑
最常被忽略的是:句子边界和 DOM 结构不一致时,charIndex 映射错位会导致高亮跳到上一句末尾或下一句开头——这不是代码 bug,是语音引擎分句策略与 HTML 结构天然不同步。解决方式不是强行对齐,而是用 getBoundingClientRect() 检查高亮区域是否在视口内,再人工微调偏移量。


















