はじめに

色々書かれてると逆にわからなくなるので、本当に音声認識ができる最低限のソースです。
コピペで動きます。
８行。

精度について

比較のために、pythonのspeechrecognitionライブラリも使ってみましたが、今回使っているwebspeechapiの方が精度よかったです。（日本語・日常会話でざっくり試しただけ）

pyaudioが自分のPCと相性悪くてテスト版にしないとインストールできないとか無駄に手こずるところもあるので、オフライン利用じゃなければwebspeechapiおすすめ。

使用ツール

・VScode＋liveserver

VScodeに下のコードを貼って、ローカルサーバ立ち上げれば動きます。

コード

webspeechapi.html

<script>
    const s = new webkitSpeechRecognition()//ブラウザ内臓なのでキーいらない
    s.lang = 'ja'//言語指定
    s.start()//開始処理
    s.onresult = function(e) {//音声認識処理完了時に発火
        console.log(e.results[0][0].transcript)
    }
</script>

録音し続けたいとき

onendで、文字起こし１ターン終わったのを判定できるので、
ここで再startかけてあげると、録音しつづけられます。

webspeechapi.html

<script>
s.onend = () => { //onresultで完了すると、接続が切れるため、.onendの場合、再度スタートをする。
    s.start() 
}
</script>

ついでに翻訳したい

GASで翻訳API（無料）で作れるので、下記をapiに投げる処理を入れ込んであげれば、
リアルタイム文字起こし＋翻訳もできるよ。
翻訳APIって従量課金とかで手が出しにくいから、GASは本当に有能だと思う。
（自分は仮想通貨ニュースみたいので、自分はこれ＋プルダウンで言語切り替えできるようにしてます）

e.results[0][0].transcript

作ったもの

英語youtubeの文字起こし＋翻訳