逛奔的蝸牛

轉(zhuǎn)自: http://blog.sina.com.cn/s/blog_4ab4a08d01009uch.html~type=v5_one&label=rela_prevarticle

摘  要：TTS技術(shù)已經(jīng)越來越廣泛地應(yīng)用到現(xiàn)代計(jì)算機(jī)的各個領(lǐng)域，本文介紹了利用微軟的Microsoft Speech SDK 5.1提供的TTS（text-to-speech）技術(shù)開發(fā)具有語音朗讀功能的應(yīng)用程序。

關(guān)鍵字：語音合成；TTS；發(fā)聲引擎

中圖分類號：TN912.33；TP311.52    文獻(xiàn)標(biāo)識碼：A

Create speech-enableed Apllications with TTS Technology

Abstract: The TTS technology is more and more popular in modern computer, this article introduces How to Create speech-enableed Apllications use the Microsoft Speech SDK 5.1 

Key word: Speech Synthesis；TTS；speech Engine

1.TTS技術(shù)概述

上世紀(jì)90年代中期以來，隨著個人計(jì)算機(jī)的硬件和軟件功能越來越強(qiáng)，和現(xiàn)代語音技術(shù)的發(fā)展，以前在科幻電影中才能看到的會說話的電腦已經(jīng)成為現(xiàn)實(shí)。而TTS技術(shù)正是電腦能夠說話的關(guān)鍵技術(shù)之一。

TTS是text-to-speech的縮寫，英文也稱Speech Synthesis即語音合成。語音合成就是一個將文本轉(zhuǎn)化為語音輸出的過程,這個過程的工作主要是將輸入的文本按字或詞分解為音素，并且對文本中的數(shù)字、貨幣單位、單詞變形以及標(biāo)點(diǎn)等要特殊處理的符號進(jìn)行分析，以及將音素生成數(shù)字音頻然后用揚(yáng)聲器播放出來或者存為聲音文件以后用多媒體軟件播放。

當(dāng)應(yīng)用程序需要發(fā)聲的時候就調(diào)用語音合成引擎（SPEECH SYNTHESIS ENGINE）進(jìn)行語言合成，將文本處理后通過揚(yáng)聲器用近似于人的聲音“讀”出來，通常還可以通過改變對語音引擎的設(shè)置改變“說話” 的速度，聲音頻率(低沉或者尖銳)，聲音大小，還能模擬口形、唇形和舌位的變化對聲音的影響。面前計(jì)算機(jī)通過語音合成發(fā)出的聲音效果聽起來就象是錄音磁帶發(fā)出的聲音。

與一些用預(yù)先錄制的聲音文件實(shí)現(xiàn)發(fā)聲的應(yīng)用程序相比，TTS的發(fā)聲引擎只有幾兆大小，不需要大量的聲音文件支持，因此可以節(jié)省很大的儲存空間，并且可以朗讀預(yù)先未知的任何語句?，F(xiàn)在已經(jīng)有許多應(yīng)用軟件應(yīng)用TTS技術(shù)實(shí)現(xiàn)語音功能，例如一些播音軟件可以用來讀小說或作校對工作，還可以朗讀電子郵件，一些電子詞典可以讀出單詞，還可以用于查詢中心自動播放服務(wù)信息等。

2．關(guān)于Microsoft Speech SDK

實(shí)現(xiàn)TTS的核心技術(shù)本身是非常復(fù)雜的，不是一般開發(fā)人員所能完成的，但是有了Microsoft Speech SDK這樣的工具的幫助，只需要在應(yīng)用程序中加入一些不太復(fù)雜的命令和操作，我們就可以創(chuàng)建具有TTS功能的應(yīng)用程序了。

國內(nèi)外有許多高科技公司和科研機(jī)構(gòu)致力于TTS技術(shù)的開發(fā)和研究，如微軟公司、IBM公司以及國內(nèi)的科大迅飛公司都有較成熟的語音產(chǎn)品，并且任何人都可以獲得微軟公司免費(fèi)提供的語音軟件開發(fā)工具：Microsoft Speech SDK。

目前的Microsoft Speech SDK已經(jīng)有4.0，5.1等幾個版本，最近還推出了適合網(wǎng)絡(luò)語音程序開發(fā)的The Microsoft Speech Application SDK的測試版，這些SDK主要包括語音應(yīng)用程序編程接口SAPI（SAPI使我們象使用windows API一樣方便地在程序中使用語音功能）和微軟語音識別引擎和微軟語音合成引擎，還提供了進(jìn)行應(yīng)用設(shè)計(jì)的例子。Microsoft Speech SDK 5.1 提供了英文和中文兩種TTS引擎，即可以用它開發(fā)朗讀中文和英文的應(yīng)用程序，非常適合中國的開發(fā)者使用。

利用這些SDK，開發(fā)人員可以很容易地把TTS技術(shù)集成到應(yīng)用軟件中，并可以自由發(fā)布。另外Microsoft Speech SDK還提供了詳細(xì)的文檔幫助開發(fā)者進(jìn)行程序開發(fā)。

3．實(shí)現(xiàn)TTS的條件準(zhǔn)備

利用Microsoft Speech SDK進(jìn)行TTS語音應(yīng)用程序開發(fā)前要作一些軟件和硬件的準(zhǔn)備：

1)      去http://www.microsoft.com/speech/下載Microsoft Speech SDK 5.1或其它版本SDK，并且安裝到自己的機(jī)器上。

2)      Microsoft VC++ 6.0 ，service pack 3 或更新的版本。

3)      聲卡和喇叭

4)      要實(shí)現(xiàn)該SDK的全部功能，則去http://www.microsoft.com/msdownload/platformsdk下載新的Platform SDK。

另外要注意的是SAPI 5.1不支持windows 95。

4．在應(yīng)用程序中實(shí)現(xiàn)TTS功能

微軟SAPI 5.1實(shí)現(xiàn)text-to-speech的核心是對COM接口IspVoice的應(yīng)用，所以應(yīng)用TTS技術(shù)最好要了解一下COM編程技術(shù)，但是即使從來沒有用過COM編程，只要按照SDK的示例，也可以順利的實(shí)現(xiàn)TTS的功能。

SAPI 的API接口封裝得很好，我們不需要了解任何發(fā)聲引擎底層的工作細(xì)節(jié)。例如一旦在程序中創(chuàng)建了一個IspVoice對象，就可以通過調(diào)用ISpVoice::Speak實(shí)現(xiàn)文本朗讀，通過調(diào)用ISpVoice::SetRate實(shí)現(xiàn)對朗讀速度的控制，以及通過調(diào)用ISpVoice::SetVoice實(shí)現(xiàn)對朗讀聲音的不同人物或語言控制（男聲/女生，中文/英文）等。事實(shí)上掌握對這個接口的應(yīng)用就可以實(shí)現(xiàn)大多數(shù)TTS的應(yīng)用。

在下面介紹的程序中，用VC++6.0實(shí)現(xiàn)了Text-to-Speech的應(yīng)用。

（1）創(chuàng)建一個工程

建立一個工程，Projects選項(xiàng)卡中選擇MFC AppWizard (exe)；下一步中選擇Dialog based類型。

（2） 設(shè)置SAPI路徑

  應(yīng)用TTS必須用到頭文件sapi.h和sapi.lib，為了能編譯通過必須設(shè)置SAPI路徑：

a.       在選中tools菜單中的option子項(xiàng)。

b.       選中Directories選項(xiàng)卡。

c.       選中Show directries for列表框中選中include files項(xiàng)，并在Directories中添加sapi頭文件路徑：例如："C:\Program Files\Microsoft Speech SDK 5.1\Include".

d.       選中Show directries for列表框中選中Library files項(xiàng)，并在Directories中添加sapi LIB文件路徑：例

（3） 設(shè)計(jì)程序界面

  添加如圖所示的編輯框和命令按鈕。

圖2  程序界面

（4） 添加代碼

  雙擊speak按鈕，添加朗讀代碼：

void CExe1Dlg::Onspeak()

{

   UpdateData();

    // 2) SAPI voice

ISpVoice * pVoice = NULL;

    // 1）初始化COM

    if (FAILED(CoInitialize(NULL)))

    {

        AfxMessageBox("Error to intiliaze COM");

        return;

    }

    //  2）初始化SAPI

    HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL,

        CLSCTX_ALL, IID_ISpVoice, (void **)&pVoice);

    if( SUCCEEDED( hr ) )

{  

// 3）朗讀編輯框中的文字

    hr = pVoice->Speak(m_mytext.AllocSysString(), 0, NULL);

        //完成發(fā)聲后可以將聲音對象釋放

        pVoice->Release();

        pVoice = NULL;

    }

//  1）與CoInitialize(NULL)成對使用，釋放COM

    CoUninitialize();

}

注：m_mytext是編輯框的變量名。

以上的代碼中主要做了幾件TTS最基本的事情：

1)      初始化COM ，因?yàn)?/span>SAPI是基于COM的應(yīng)用，使用之前必須首先初始化COM。

2)      創(chuàng)建voice對象，即一個COM對象。

3)      實(shí)現(xiàn)朗讀，即調(diào)用speak方法。

另外必須把頭文件sapi.h加到前面：

#include <sapi.h>

編譯通過后就可以運(yùn)行程序了，在編輯框中輸入一段文字，按speak按鈕，我們就能聽到電腦讀出的令人興奮的聲音了。

   Microsoft的TTS引擎提供了4種朗讀文字的聲音，其中三種英文聲音：Mary（女），mike和sam（男）一種中文聲音：simplyfied Chinese。因?yàn)槟J(rèn)的TTS引擎是英文發(fā)聲，如果要想朗讀中文或選擇不同的人進(jìn)行朗讀，可以在朗讀前調(diào)用ISpVoice::SetVoice方法進(jìn)行聲音的設(shè)定，或者在朗讀前雙擊用控制面板中的語音圖標(biāo)（安裝Microsoft Speech SDK后自動添加的），選擇文字－語音轉(zhuǎn)換選項(xiàng)卡進(jìn)行默認(rèn)聲音的設(shè)置。

如："C:\Program Files\Microsoft Speech SDK 5.1\Lib\i386".

5．結(jié)束語

SPAI 5.1不僅適合用VC＋＋進(jìn)行開發(fā)，還可以用VB、c#等進(jìn)行開發(fā)，具體方法可以參考SDK幫助文檔。結(jié)合windows程序設(shè)計(jì)的其它技術(shù)，只要取得文本的內(nèi)容，就可以實(shí)現(xiàn)對對word、IE、電子郵件等各種文字的朗讀。

本人利用windows API剪貼板操作函數(shù)和模擬鍵盤的方法在朗讀程序中實(shí)現(xiàn)了對任意文本內(nèi)容的獲取，包括IE、WORD、PDF等所有可以被鼠標(biāo)選中的文本。另還外利用中英文內(nèi)碼的不同對所取得的文本進(jìn)行中英文分析并按不同的語言分段，在朗讀前利用ISpVoice::SetVoice方法進(jìn)行中文或英文聲音的設(shè)定，從而實(shí)現(xiàn)了中英文混合文本的朗讀。合成這些方法和技術(shù)實(shí)現(xiàn)了一個電腦播音軟件。

此外Microsoft Speech SDK 5.1的語音識別技術(shù)和語音識別引擎功能也很強(qiáng)大，可以用它開發(fā)具有語音識別功能的程序。

參考文獻(xiàn)：

[1] Microsoft Corporation. MSDN  Library  Microsoft Corporation，2001-10

[2] Microsoft Corporation. Microsoft Speech SDK  SAPI 5.1  Microsoft Corporation，2001

[3]Jagadish.G .  Using Text  to Voice Interfaces [EB/OL]. http://www.codeproject.com/audio/SpeakText.asp, 2002-09

[4]Agus Kurniawan. Simple Program for Text to Speech Using SAPI [EB/OL]. http://www.codeproject.com/audio/speech.asp ,2001-11