轉自:iwaswzq
Windows 語音編程初步
一、SAPI簡介
軟體中的語音技術包括兩方面的內容,一個是語音辨識(speech recognition) 和語音合成(speech synthesis)。這兩個技術都需要語音引擎的支援。微軟推出的應用編程介面API,雖然現在不是業界標準,但是應用比較廣泛。
SAPI全稱 The Microsoft Speech API.相關的SR和SS引擎位於Speech SDK開發包中。這個語音引擎支援多種語言的識別和朗讀,包括英文、中文、日文等。
SAPI包括以下組件對象(介面):
(1)Voice Commands API。對應用程式進行控制,一般用於語音辨識系統中。識別某個命令後,會調用相關介面是應用程式完成對應的功能。如果程式想實現語音控制,必須使用此組對象。
(2)Voice Dictation API。聽寫輸入,即語音辨識介面。
(3)Voice Text API。完成從文字到語音的轉換,即語音合成。
(4)Voice Telephone API。語音辨識和語音合成綜合運用到電話系統之上,利用此介面可以建立一個自動答錄服務系統,甚至可以通過電話控制電腦。
(5)Audio Objects API。封裝了電腦發音系統。
SAPI是架構在COM基礎上的,微軟還提供了ActiveX控制項,所以不僅可用於一般的windows程式,還可以用於網頁、VBA甚至EXCEL的圖表中。如果對COM感到陌生,還可以使用微軟的C++ WRAPPERS,它用C++類封裝了語音SDK COM對象。
二、安裝SAPI SDK。
首先從這個網站下載開發包:http://www.microsoft.com/speech/download/sdk51
Microsoft Speech SDK 5.1添加了Automation支援。所以可以在VB,ECMAScript等支援Automation的語言中使用。
版本說明:
Version: 5.1
發布日期: 8/8/2001
語音: English
下載尺寸: 2.0 MB - 288.8 MB
這個SDK開發包還包括了可以隨便發布的英文和中文的語音合成引擎(TTS),和英文、中文、日文的語音辨識引擎(SR)。
系統要求98以上版本。編譯開發包中的例子程式需要vc6以上環境。
******下載說明******:
(1)如果要下載例子程式,說明文檔,SAPI以及用於開發的美國英語語音引擎,需要下載SpeechSDK51.exe,大約68M。
(2)如果想要使用簡體中文和日文的語音引擎,需要下載SpeechSDK51LangPack.exe。大約82M。
(3)如果想要和自己的軟體一起發布語音引擎,需要下載SpeechSDK51MSM.exe,大約132M。
(在這個地址,我未能成功下載)。
(4)如果要擷取XP下的 Mike 和 Mary 語音,下載Sp5TTIntXP.exe。大約3.5M。
(5)如果要擷取開發包的文檔說明,請下載sapi.chm。大約2.3M。這個在sdk51裡面已經包含。
下載完畢後,首先安裝SpeechSDK51.exe,然後安裝中文語言補丁包SpeechSDK51LangPack,然後展開
msttss22l,自動將所需dll安裝到系統目錄。
三、配置vc環境
在vc6.0的環境下編譯語音工程,首先要配置編譯環境。假設sdk安裝在d:\Microsoft Speech SDK 5.1\路徑下,開啟工程設定對話方塊,在c/c++欄中選擇Preprocessor分類,然後在"附加元件封裝含路徑"中輸入
d:\Microsoft Speech SDK 5.1\include
告訴vc編譯器所需的SAPI標頭檔的位置。
然後切換到LINK欄,在Input分類下的附加庫路徑中輸入:
d:\Microsoft Speech SDK 5.1\lib\i386
使vc在連結的時候能夠找到sapi.lib。
四、語音合成的應用。即使用SAPI實現TTS(Text to Speech)。
1、首先要初始化語音介面,一般有兩種方式:
ISpVoice* pVoice;
::CoInitialize(NULL);
HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL, IID_ISpVoice,
(void **)&pVoice);
然後就可以使用這個指標調用SAPI函數了,例如
pVoice->SetVolume(50);//設定音量
pVoice->Speak(str.AllocSysString(),SPF_ASYNC,NULL);
另外也可以使用如下方式:
CComPtr<ISpVoice> m_cpVoice;
HRESULT hr = m_cpVoice.CoCreateInstance( CLSID_SpVoice );
在下面的例子中都用這個m_cpVoice變數。
CLSID_SpVoice的定義位於SPAI.H中。
2、擷取/設定輸出頻率。
SAPI朗讀文字的時候,可以採用多種頻率方式輸出聲音,比如:
8kHz 8Bit Mono、8kHz 8Bit Stereo、44kHz 16Bit Mono、44kHz 16Bit Stereo等。在音調上有所差別。具體可以參考sapi.h。
可以使用如下代碼擷取當前的配置:
CComPtr<ISpStreamFormat> cpStream;
HRESULT hrOutputStream = m_cpVoice->GetOutputStream(&cpStream);
if (hrOutputStream == S_OK)
{
CSpStreamFormat Fmt;
hr = Fmt.AssignFormat(cpStream);
if (SUCCEEDED(hr))
{
SPSTREAMFORMAT eFmt = Fmt.ComputeFormatEnum();
}
}
SPSTREAMFORMAT 是一個ENUM類型,定義位於SPAI.H中。每一個值對應了不同的頻率設定。例如 SPSF_8kHz8BitStereo = 5
通過如下代碼設定當前朗讀頻率:
CComPtr<ISpAudio> m_cpOutAudio; //聲音輸出介面
SpCreateDefaultObjectFromCategoryId( SPCAT_AUDIOOUT, &m_cpOutAudio ); //建立介面
SPSTREAMFORMAT eFmt = 21; //SPSF_22kHz 8Bit Stereo
CSpStreamFormat Fmt;
Fmt.AssignFormat(eFmt);
if ( m_cpOutAudio )
{
hr = m_cpOutAudio->SetFormat( Fmt.FormatId(), Fmt.WaveFormatExPtr() );
}
else hr = E_FAIL;
if( SUCCEEDED( hr ) )
{
m_cpVoice->SetOutput( m_cpOutAudio, FALSE );
}
3、擷取/設定播放所用語音。
引擎中所用的語音資料檔案一般儲存在SpeechEngines下的spd或者vce檔案中。安裝sdk後,在註冊表中儲存了可用的語音,比如英文的男/女,簡體中文的男音等。位置是:
HKEY_LOCAL_MACHINE\Software\Microsoft\Speech\Voices\Tokens
如果安裝在中文作業系統下,則預設所用的朗讀語音是簡體中文。SAPI的缺點是不能支援中英文混讀,在朗讀中文的時候,遇到英文,只能逐個字母讀出。所以需要程式自己進行語音切換。
(1) 可以採用如下的函數把當前SDK支援的語音填充在一個組合框中:
// SAPI5 helper function in sphelper.h
HWND hWndCombo = GetDlgItem( hWnd, IDC_COMBO_VOICES ); //組合框控制代碼
HRESULT hr = SpInitTokenComboBox( hWndCombo , SPCAT_VOICES );
這個函數是通過IEnumSpObjectTokens介面枚舉當前可用的語音介面,把介面的解說文字添加到組合框中,並且把介面的指標作為LPARAM
儲存在組合框中。
一定要記住最後程式退出的時候,釋放組合框中儲存的介面:
SpDestroyTokenComboBox( hWndCombo );
這個函數的原理就是逐個取得combo裡面每一項的LPARAM資料,轉換成IUnknown介面指標,然後調用Release函數。
(2) 當組合框選擇變化的時候,可以用下面的函數擷取使用者選擇的語音:
ISpObjectToken* pToken = SpGetCurSelComboBoxToken( hWndCombo );
(3) 用下面的函數擷取當前正在使用的語音:
CComPtr<ISpObjectToken> pOldToken;
HRESULT hr = m_cpVoice->GetVoice( &pOldToken );
(4) 當使用者選擇的語音和當前正在使用的不一致的時候,用下面的函數修改:
if (pOldToken != pToken)
{
// 首先結束當前的朗讀,這個不是必須的。
HRESULT hr = m_cpVoice->Speak( NULL, SPF_PURGEBEFORESPEAK, 0);
if (SUCCEEDED (hr) )
{
hr = m_cpVoice->SetVoice( pToken );
}
}
(5) 也可以直接使用函數SpGetTokenFromId擷取指定voice的Token指標,例如:
WCHAR pszTokenId[] = L"HKEY_LOCAL_MACHINE\\Software\\Microsoft\\Speech\\Voices\\Tokens\\MSSimplifiedChineseVoice";
SpGetTokenFromId(pszTokenID , &pChineseToken);
4、開始/暫停/恢複/結束當前的朗讀
要朗讀的文字必須位於寬字元串中,假設位於szWTextString中,則:
開始朗讀的代碼:
hr = m_cpVoice->Speak( szWTextString, SPF_ASYNC | SPF_IS_NOT_XML, 0 );
如果要解讀一個XML文本,用:
hr = m_cpVoice->Speak( szWTextString, SPF_ASYNC | SPF_IS_XML, 0 );
暫停代碼: m_cpVoice->Pause();
恢複的代碼: m_cpVoice->Resume();
結束的代碼:(上面的例子中已經給出了)
hr = m_cpVoice->Speak( NULL, SPF_PURGEBEFORESPEAK, 0);
5、跳過部分朗讀的文字
在朗讀的過程中,可以跳過部分文字繼續後面的朗讀,代碼如下:
ULONG ulGarbage = 0;
WCHAR szGarbage[] = L"Sentence";
hr = m_cpVoice->Skip( szGarbage, SkipNum, &ulGarbage );
SkipNum是設定要跳過的句子數量,值可以是正/負。
根據sdk的說明,目前SAPI僅僅支援SENTENCE這個類型。SAPI是通過標點符號來區分句子的。
6、播放WAV檔案。SAPI可以播放WAV檔案,這是通過ISpStream介面實現的:
CComPtr<ISpStream> cpWavStream;
WCHAR szwWavFileName[NORM_SIZE] = L"";;
USES_CONVERSION;
wcscpy( szwWavFileName, T2W( szAFileName ) );//從ANSI將WAV檔案的名字轉換成寬字元串
//使用sphelper.h 提供的這個函數開啟 wav 檔案,並得到一個 IStream 指標
hr = SPBindToFile( szwWavFileName, SPFM_OPEN_READONLY, &cpWavStream );
if( SUCCEEDED( hr ) )
{
m_cpVoice->SpeakStream( cpWavStream, SPF_ASYNC, NULL );//播放WAV檔案
}
7、將朗讀的結果儲存到wav檔案
TCHAR szFileName[256];//假設這裡面儲存著目標檔案的路徑
USES_CONVERSION;
WCHAR m_szWFileName[MAX_FILE_PATH];
wcscpy( m_szWFileName, T2W(szFileName) );//轉換成寬字元串
//建立一個輸出資料流,綁定到wav檔案
CSpStreamFormat OriginalFmt;
CComPtr<ISpStream> cpWavStream;
CComPtr<ISpStreamFormat> cpOldStream;
HRESULT hr = m_cpVoice->GetOutputStream( &cpOldStream );
if (hr == S_OK) hr = OriginalFmt.AssignFormat(cpOldStream);
else hr = E_FAIL;
// 使用sphelper.h中提供的函數建立 wav 檔案
if (SUCCEEDED(hr))
{
hr = SPBindToFile( m_szWFileName, SPFM_CREATE_ALWAYS, &cpWavStream,
&OriginalFmt.FormatId(), OriginalFmt.WaveFormatExPtr() );
}
if( SUCCEEDED( hr ) )
{
//設定聲音的輸出到 wav 檔案,而不是 speakers
m_cpVoice->SetOutput(cpWavStream, TRUE);
}
//開始朗讀
m_cpVoice->Speak( szWTextString, SPF_ASYNC | SPF_IS_NOT_XML, 0 );
//等待朗讀結束
m_cpVoice->WaitUntilDone( INFINITE );
cpWavStream.Release();
//把輸出重新置放到原來的流
m_cpVoice->SetOutput( cpOldStream, FALSE );
8、設定朗讀音量和速度
m_cpVoice->SetVolume((USHORT)hpos); //設定音量,範圍是 0 - 100
m_cpVoice->SetRate(hpos); //設定速度,範圍是 -10 - 10
hpos的值一般位於
9、設定SAPI通知訊息。SAPI在朗讀的過程中,會給指定視窗發送訊息,視窗收到訊息後,可以主動擷取SAPI的事件,
根據事件的不同,使用者可以得到當前SAPI的一些資訊,比如正在朗讀的單詞的位置,當前的朗讀口型值(用於顯
示動畫口型,中文語音的情況下並不提供這個事件)等等。
要擷取SAPI的通知,首先要註冊一個訊息:
m_cpVoice->SetNotifyWindowMessage( hWnd, WM_TTSAPPCUSTOMEVENT, 0, 0 );
這個代碼一般是在主視窗初始化的時候調用,hWnd是主視窗(或者接收訊息的視窗)控制代碼。WM_TTSAPPCUSTOMEVENT
是使用者自訂訊息。
在視窗響應WM_TTSAPPCUSTOMEVENT訊息的函數中,通過如下代碼擷取sapi的通知事件:
CSpEvent event; // 使用這個類,比用 SPEVENT結構更方便
while( event.GetFrom(m_cpVoice) == S_OK )
{
switch( event.eEventId )
{
。。。
}
}
eEventID有很多種,比如SPEI_START_INPUT_STREAM表示開始朗讀,SPEI_END_INPUT_STREAM表示朗讀結束等。
可以根據需要進行判斷使用。
四、結束語
SAPI的功能很多,比如語音辨識、使用文法分析等,由於條件和精力有限,我未能一一嘗試,感興趣的朋友可以自己安裝一個研究一下。
另外提供一個簡單例子程式的下載,位置是:
http://www.cnblogs.com/buffer/admin/ftp://vckbase:vckbase@210.192.111.117/user/iwaswzq/Universe.rar
再次感謝砸玻璃。
感謝原作者:iwaswzq