文本語(yǔ)音（Text-to-Speech，以下簡(jiǎn)稱(chēng)TTS），它的作用就是把通過(guò)TTS引擎把文本轉(zhuǎn)化為語(yǔ)音輸出。本文不是講述如何建立自己的TTS引擎，而是簡(jiǎn)單介紹如何運(yùn)用Microsoft Speech SDK 建立自己的文本語(yǔ)音轉(zhuǎn)換應(yīng)用程序。
Microsoft Speech SDK簡(jiǎn)介
Microsoft Speech SDK是微軟提供的軟件開(kāi)發(fā)包，提供的Speech API （SAPI）主要包含兩大方面：
1． API for Text-to-Speech
2． API for Speech Recognition
其中API for Text-to-Speech，就是微軟TTS引擎的接口，通過(guò)它我們可以很容易地建立功能強(qiáng)大的文本語(yǔ)音程序，金山詞霸的單詞朗讀功能就用到了這寫(xiě)API，而目前幾乎所有的文本朗讀工具都是用這個(gè)SDK開(kāi)發(fā)的。至于API for Speech Recognition就是與TTS相對(duì)應(yīng)的語(yǔ)音識(shí)別，語(yǔ)音技術(shù)是一種令人振奮的技術(shù)，但由于目前語(yǔ)音識(shí)別技術(shù)準(zhǔn)確度和識(shí)別速度不太理想，還未達(dá)到廣泛應(yīng)用的要求。
Microsoft Speech SDK可以在微軟的網(wǎng)站免費(fèi)下載，目前的版本是5.1，為了支持中文，還要把附加的語(yǔ)言包（LangPack）一起下載。
為了在VC中使用這SDK，必需在工程中添加SDK的include和lib目錄，為免每個(gè)工程都添加目錄，最好的辦法是在VC的
Option-＞Directoris立加上SDK的include和lib目錄。
一個(gè)最簡(jiǎn)單的例子
先看一個(gè)入門(mén)的例子：
#include ＜sapi.h＞
#pragma comment(lib,"ole32.lib") //CoInitialize CoCreateInstance需要調(diào)用ole32.dll
#pragma comment(lib,"sapi.lib") //sapi.lib在SDK的lib目錄,必需正確配置
int main(int argc, char* argv[])
{
ISpVoice * pVoice = NULL;
//COM初始化：
if (FAILED(::CoInitialize(NULL)))
return FALSE;
//獲取ISpVoice接口：
HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL, IID_ISpVoice, (void **)&pVoice);
if( SUCCEEDED( hr ) )
{
hr = pVoice-＞Speak(L"Hello world", 0, NULL);
pVoice-＞Release();
pVoice = NULL;
}
//千萬(wàn)不要忘記：
::CoUninitialize();
return TRUE;
}
短短20幾行代碼就實(shí)現(xiàn)了文本語(yǔ)音轉(zhuǎn)換，夠神奇吧。SDK提供的SAPI是基于COM封裝的，無(wú)論你是否熟悉COM，只要按部就班地用CoInitialize()， CoCreateInstance()獲取IspVoice接口就夠了，需要注意的是初始化COM后，程序結(jié)束前一定要用CoUninitialize()釋放資源。
IspVoice接口主要函數(shù)
上述程序的流程是獲取IspVoice接口，然后用ISpVoice::Speak（）把文本輸出為語(yǔ)音，可見(jiàn)，程序的核心就是IspVoice接口。除了Speak外IspVoice接口還有許多成員函數(shù)，具體用法請(qǐng)參考SDK的文檔。下面擇要說(shuō)一下幾個(gè)主要函數(shù)的用法： HRESULT Speak(const WCHAR *pwcs,DWORD dwFlags,ULONG *pulStreamNumber);
功能：就是speak了
參數(shù)：
*pwcs 輸入的文本字符串，必需為Unicode，如果是ansi字符串必需先轉(zhuǎn)換為Unicode。
dwFlags 用來(lái)標(biāo)志Speak的方式，其中SPF_IS_XML 表示輸入文本含有XML標(biāo)簽，這個(gè)下文會(huì)講到。
PulStreamNumber 輸出，用來(lái)獲取去當(dāng)前文本輸入的等候播放隊(duì)列的位置，只有在異步模式才有用。
HRESULT Pause ( void );
HRESULT Resume ( void );
功能：一看就知道了。
HRESULT SetRate(long RateAdjust );
HRESULT GetRate(long *pRateAdjust);
功能：設(shè)置/獲取播放速度，范圍：-10 to 10
HRESULT SetVolume(USHORT usVolume);
HRESULT GetVolume(USHORT *pusVolume);
功能：設(shè)置/獲取播放音量，范圍：0 to 100
HRESULT SetSyncSpeakTimeout(ULONG msTimeout);
HRESULT GetSyncSpeakTimeout(ULONG *pmsTimeout);
功能：設(shè)置/獲取同步超時(shí)時(shí)間。由于在同步模式中，電泳Speak后程序就會(huì)進(jìn)入阻塞狀態(tài)等待Speak返回，為免程序長(zhǎng)時(shí)間沒(méi)相應(yīng)，應(yīng)該設(shè)置超時(shí)時(shí)間，msTimeout單位為毫秒。
HRESULT SetOutput(IUnknown *pUnkOutput,BOOL fAllowFormatChanges);
功能：設(shè)置輸出，下文會(huì)講到用SetOutput把Speak輸出問(wèn)WAV文件。
這些函數(shù)的返回類(lèi)型都是HRESULT，如果成功則返回S_OK，錯(cuò)誤有各自不同的錯(cuò)誤碼。
使用XML
引自: http://study.qqcf.com/web/198/22269.htm
個(gè)人認(rèn)為這個(gè)TTS api功能最強(qiáng)大之處在于能夠分析XML標(biāo)簽，通過(guò)XML標(biāo)簽設(shè)置音量、音調(diào)、延長(zhǎng)、停頓，幾乎可以使輸出達(dá)到自然語(yǔ)音效果。前面已經(jīng)提過(guò)，把Speak參數(shù)dwFlags設(shè)為SPF_IS_XML,TTS引擎就會(huì)分析XML文本，輸入文本并不需要嚴(yán)格遵守W3C的標(biāo)準(zhǔn)，只要含有XML標(biāo)簽就行了，下面舉個(gè)例子： ……
pVoice-＞Speak(L"＜VOICE REQUIRED=''NAME=Microsoft Mary''/＞volume＜VOLUME LEVEL=''100''＞turn up＜/VOLUME＞", SPF_IS_XML, NULL);
……
＜VOICE REQUIRED=''NAME=Microsoft Mary''/＞
標(biāo)簽把聲音設(shè)為Microsoft Mary，英文版SDK中一共含有3種聲音，另外兩種是Microsoft Sam和Microsoft Mike。 ……
＜VOLUME LEVEL=''100''＞
把音量設(shè)為100，音量范圍是0～100。
另外：標(biāo)志音調(diào)（-10～10）： ＜P99vCH MIDDLE="10"＞text＜/P99vCH＞
注意：" 號(hào)在C/C++中前面要加 \ ，否則會(huì)出錯(cuò)。