Голосовой ввод, управление элементами на вкладке Chrome

[Engir]

Добрый день!

Есть корпоративный программный продукт, пользовательский интерфейс целиком через формы, которые открываются во вкладках Google Chrome (кнопки, поля для заполнения, галочки).
Я хочу сделать свою прогу с функционалом: я надиктовываю определенные слова и по зашитой мной логике она нажимает нужные кнопки и заполняет поля.
Я вижу здесь две отдельные задачи:
1. Голосовой ввод, на основании распознанных слов выстраивается последовательность действий из жесткой логики (ибо для машинного обучения нет выборки, слишком много вариантов), т.е. произнесено слово "А1" или его синонимы "А2"/"А3" производится дествие "А".
2. Управление элементами на странице в браузере по сформированной последовательности дейтсвий (пункт 1)

Делаю для себя, поэтому красота не требуется, "продавать" начальству тоже не надо.
Пробовал управлять элементами на странице браузера по их ID (из кода страницы), но вообще не получилось.
Пните, пожалуйста, в направлении, которое считаете правильным. Куда копать, с помощью чего делать?