Web Platform Tests项目中的Web Speech API权限策略与跨域检查实现
Web Platform Tests(简称WPT)是一个开源项目,旨在为Web平台提供跨浏览器兼容性测试套件。该项目包含了大量测试用例,用于验证各种Web API和功能在不同浏览器中的实现是否符合标准规范。最近,该项目针对Web Speech API的on-device功能进行了重要更新,主要涉及权限策略和跨域检查的实现。
Web Speech API背景
Web Speech API为开发者提供了在Web应用中集成语音识别和语音合成的能力。该API包含两个主要部分:语音识别(SpeechRecognition)和语音合成(SpeechSynthesis)。随着技术的发展,一些浏览器开始支持设备本地的语音处理功能,即"on-device"实现,这相比云端处理具有更好的隐私保护和更低的延迟优势。
新增的安全检查机制
本次更新主要针对on-device Web Speech API的两个关键方法:availableOnDevice()和installOnDevice()。这些方法允许开发者查询设备是否支持本地语音处理功能,以及安装必要的本地语音处理组件。
为了增强用户隐私保护并防止潜在的指纹识别风险,Chromium团队实现了以下安全措施:
-
权限策略检查:新增了对Permission Policy的验证,确保只有被授权的页面才能访问这些敏感功能。权限策略是一种机制,允许网站控制哪些功能可以在其框架或嵌入式内容中使用。
-
跨域检查:实施了严格的跨域验证,防止不受信任的来源滥用这些API进行设备指纹识别。跨域检查是Web安全模型的重要组成部分,用于限制不同来源之间的资源访问。
技术实现细节
在底层实现上,Chromium团队通过修改浏览器引擎的核心代码来实施这些安全措施。具体包括:
- 在API调用路径中添加权限策略验证层
- 实现跨域请求的验证逻辑
- 确保错误信息不会泄露过多的设备细节,防止被用于指纹识别
- 保持与现有Web标准的兼容性
这些变更经过了严格的代码审查流程,多位资深工程师参与了评审,确保实现的正确性和安全性。
对开发者的影响
对于使用Web Speech API的开发者来说,这些变更意味着:
- 需要在页面或iframe中正确配置权限策略才能使用on-device功能
- 跨域使用这些功能将受到限制
- 需要处理可能新增的安全异常情况
这些安全措施虽然增加了开发复杂度,但为用户隐私提供了更好的保护,符合现代Web平台对安全和隐私的日益重视。
测试覆盖与验证
作为WPT项目的一部分,这些变更伴随着相应的测试用例更新,包括:
- 权限策略生效情况的测试
- 跨域场景下的行为验证
- 错误处理的一致性检查
- 与其他Web平台特性的交互测试
这些测试确保了不同浏览器实现之间的一致性,并为未来的标准演进提供了参考依据。
总结
Web Platform Tests项目对Web Speech API on-device功能的这次更新,体现了Web平台在功能丰富性和用户隐私保护之间的平衡。通过引入权限策略和跨域检查,既保留了API的强大功能,又有效降低了被滥用于指纹识别的风险。这种安全优先的设计理念将继续指导Web平台的未来发展。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00