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。