內容簡介
文本語音(Text-to-Speech,以下簡稱TTS),它的作用就是把通過TTS引擎把文本轉化為語音輸出。本文不是講述如何建立自己的TTS引擎,而是簡單介紹如何運用Microsoft Speech SDK 建立自己的文本語音轉換應用程序。
Microsoft Speech SDK簡介
Microsoft Speech SDK是微軟提供的軟件開發包,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,通過它我們可以很容易地建立功能強大的文本語音程序,金山詞霸的單詞朗讀功能就用到了這寫API,而目前幾乎所有的文本朗讀工具都是用這個SDK開發的。至於API for Speech Recognition就是與TTS相對應的語音識別,語音技術是一種令人振奮的技術,但由於目前語音識別技術准確度和識別速度不太理想,還未達到廣泛應用的要求。
Microsoft Speech SDK可以在微軟的網站免費下載,目前的版本是5.1,為了支持中文,還要把附加的語言包(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。
一個最簡單的例子
先看一個入門的例子:
#include <sapi.h>
#pragma comment(lib,"ole32.lib") //CoInitialize CoCreateInstance需要調用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;
}
//千萬不要忘記:
::CoUninitialize();
return TRUE;
}
短短20幾行代碼就實現了文本語音轉換,夠神奇吧。SDK提供的SAPI是基於COM封裝的,無論你是否熟悉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後,程序結束前一定要用CoUninitialize()釋放資源。
IspVoice接口主要函數
上述程序的流程是獲取IspVoice接口,然後用ISpVoice::Speak()把文本輸出為語音,可見,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,具體用法請參考SDK的文檔。下面擇要說一下幾個主要函數的用法:
HRESULT Speak(const WCHAR *pwcs,DWORD dwFlags,ULONG *pulStreamNumber);
功能:就是speak了
參數:
*pwcs 輸入的文本字符串,必需為Unicode,如果是ansi字符串必需先轉換為Unicode。
dwFlags 用來標志Speak的方式,其中SPF_IS_XML 表示輸入文本含有XML標簽,這個下文會講到。
PulStreamNumber 輸出,用來獲取去當前文本輸入的等候播放隊列的位置,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:設置/獲取播放速度,范圍:-10 to 10
HRESULT SetVolume(USHORT usVolume);
HRESULT GetVolume(USHORT *pusVolume);
功能:設置/獲取播放音量,范圍:0 to 100
HRESULT SetSyncSpeakTimeout(ULONG msTimeout);
HRESULT GetSyncSpeakTimeout(ULONG *pmsTimeout);
功能:設置/獲取同步超時時間。由於在同步模式中,電泳Speak後程序就會進入阻塞狀態等待Speak返回,為免程序長時間沒相應,應該設置超時時間,
msTimeout單位為毫秒。
HRESULT SetOutput(IUnknown *pUnkOutput,BOOL fAllowFormatChanges);
功能:設置輸出,下文會講到用SetOutput把Speak輸出問WAV文件。
這些函數的返回類型都是HRESULT,如果成功則返回S_OK,錯誤有各自不同的錯誤碼。
使用XML
個人認為這個TTS api功能最強大之處在於能夠分析XML標簽,通過XML標簽設置音量、音調、延長、停頓,幾乎可以使輸出達到自然語音效果。前面已經提過,把Speak參數dwFlags設為SPF_IS_XML,TTS引擎就會分析XML文本,輸入文本並不需要嚴格遵守W3C的標准,只要含有XML標簽就行了,下面舉個例子:
……
pVoice->Speak(L"<VOICE REQUIRED=''NAME=Microsoft Mary''/>volume<VOLUME LEVEL=''100''>turn up</VOLUME>", SPF_IS_XML, NULL);
……
<VOICE REQUIRED=''NAME=Microsoft Mary''/>
標簽把聲音設為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''>
把音量設為100,音量范圍是0~100。
另外:標志音調(-10~10):
<PITCH MIDDLE="10">text</PITCH>
注意:" 號在C/C++中前面要加 \ ,否則會出錯。 標志語速(-10~10):
<RATE SPEED="-10">text</RATE>
逐個字母讀:
<SPELL>text</SPELL>
強調:
<EMPH>text</EMPH>
停頓200毫秒(最長為65,536毫秒):
<SILENCE MSEC="200" />
控制發音:
<PRON SYM = ''h eh - l ow 1''/>
這個標簽的功能比較強,重點講一下:所有的語言發音都是由基本的音素組成,拿中文發音來說,拼音是組成發音的最基本的元素,只要知道漢字的拼音,即使不知道怎麼寫,我們可知道這個字怎麼都,對於TTS引擎來說,它不一定認識所有字,但是你把拼音對應的符號(SYM)給它,它就一定能夠讀出來,而英語發音則可以用音標表示,''h eh - l ow 1''就是hello這個單詞對應的語素。至於發音與符號SYM具體對應關系請看SDK文檔中的Phoneme Table。
再另外,數字、日期、時間的讀法也有一套規則,SDK中有詳細的說明,這裡不說了(懶得翻譯了),下面隨便拋個例子:
<context ID = "date_ ymd">1999.12.21</context>
會讀成
"December twenty first nineteen ninety nine"
XML標簽可以嵌套使用,但是一定要遵守XML標准。XML標簽確實好用,效果也不錯,但是……缺點:一個字―――"煩",如果給一大段文字加標簽,簡直痛不欲生。
把文本語音輸出為WAV文件
#include <sapi.h>
#include <sphelper.h>
#pragma comment(lib,"ole32.lib")
#pragma comment(lib,"sapi.lib")
int main(int argc, char* argv[])
{
ISpVoice * pVoice = NULL;
if (FAILED(::CoInitialize(NULL)))
return FALSE;
HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL,
IID_ISpVoice, (void **)&pVoice);
if( SUCCEEDED( hr ) )
{
CComPtr<ISpStream> cpWavStream;
CComPtr<ISpStreamFormat> cpOldStream;
CSpStreamFormat OriginalFmt;
pVoice->GetOutputStream( &cpOldStream );
OriginalFmt.AssignFormat(cpOldStream);
hr = SPBindToFile( L"D:\\output.wav",SPFM_CREATE_ALWAYS,
&cpWavStream,&OriginalFmt.FormatId(),
OriginalFmt.WaveFormatExPtr() );
if( SUCCEEDED( hr ) )
{
pVoice->SetOutput(cpWavStream,TRUE);
WCHAR WTX[] = L"<VOICE REQUIRED=''NAME=Microsoft Mary''/>text to wave";
pVoice->Speak(WTX, SPF_IS_XML, NULL);
pVoice->Release();
pVoice = NULL;
}
}
::CoUninitialize();
return TRUE;
}
SPBindToFile把文件綁定到輸出流上,而SetOutput把輸出設為綁定文件的流上。
最後
看完本文後,是不是覺得很簡單,微軟把強大的功能封裝的太好了。其實SDK中另外一個API,SR(語音識別)更有趣,有興趣不妨試試,你會有意外的收獲的。
本文配套源碼