微软Windows+Speech+SDK编程入门.docx

微软Windows Speech SDK编程入门2009-02-24 13:33一、SAPI简介软件中的语音技术包括两方面的内容，一个是语音识别(speech recognition) 和语音合成(speech synthesis)。这两个技术都需要语音引擎的支持。微软推出的应用编程接口API，虽然现在不是业界标准，但是应用比较广泛。SAPI全称 The Microsoft Speech API.相关的SR和SS引擎位于Speech SDK开发包中。这个语音引擎支持多种语言的识别和朗读，包括英文、中文、日文等。SAPI包括以下组件对象（接口）：（1）Voice Commands API。对应用程序进行控制，一般用于语音识别系统中。识别某个命令后，会调用相关接口是应用程序完成对应的功能。如果程序想实现语音控制，必须使用此组对象。（2）Voice Dictation API。听写输入，即语音识别接口。（3）Voice Text API。完成从文字到语音的转换，即语音合成。（4）Voice Telephone API。语音识别和语音合成综合运用到电话系统之上，利用此接口可以建立一个电话应答系统，甚至可以通过电话控制计算机。（5）Audio Objects API。封装了计算机发音系统。SAPI是架构在COM基础上的，微软还提供了ActiveX控件，所以不仅可用于一般的windows程序，还可以用于网页、VBA甚至EXCEL的图表中。如果对COM感到陌生，还可以使用微软的C+ WRAPPERS，它用C+类封装了语音SDK COM对象。二、安装SAPI SDK。首先从这个站点下载开发包：/speech/download/sdk51Microsoft Speech SDK 5.1添加了Automation支持。所以可以在VB,ECMAScript等支持Automation的语言中使用。版本说明：Version: 5.1 发布日期: 8/8/2001 语音: English 下载尺寸: 2.0 MB - 288.8 MB这个SDK开发包还包括了可以随便发布的英文和中文的语音合成引擎(TTS)，和英文、中文、日文的语音识别引擎(SR)。系统要求98以上版本。编译开发包中的例子程序需要vc6以上环境。*下载说明*：（1）如果要下载例子程序，说明文档，SAPI以及用于开发的美国英语语音引擎，需要下载SpeechSDK51.exe，大约68M。（2）如果想要使用简体中文和日文的语音引擎，需要下载SpeechSDK51LangPack.exe。大约82M。（3）如果想要和自己的软件一起发布语音引擎，需要下载SpeechSDK51MSM.exe，大约132M。 （在这个地址，我未能成功下载）。（4）如果要获取XP下的 Mike 和 Mary 语音，下载Sp5TTIntXP.exe。大约3.5M。（5）如果要获取开发包的文档说明，请下载sapi.chm。大约2.3M。这个在sdk51里面已经包含。下载完毕后，首先安装SpeechSDK51.exe，然后安装中文语言补丁包SpeechSDK51LangPack，然后展开msttss22l，自动将所需dll安装到系统目录。三、配置vc环境在vc6.0的环境下编译语音工程，首先要配置编译环境。假设sdk安装在d:Microsoft Speech SDK 5.1路径下，打开工程设置对话框，在c/c+栏中选择Preprocessor分类，然后在附加包含路径中输入d:Microsoft Speech SDK 5.1include 告诉vc编译程序所需的SAPI头文件的位置。然后切换到LINK栏，在Input分类下的附加库路径中输入：d:Microsoft Speech SDK 5.1libi386使vc在链接的时候能够找到sapi.lib。四、语音合成的应用。即使用SAPI实现TTS(Text to Speech)。1、首先要初始化语音接口，一般有两种方式： ISpVoice* pVoice; :CoInitialize(NULL); HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL, IID_ISpVoice, (void *)&pVoice); 然后就可以使用这个指针调用SAPI函数了，例如 pVoice-SetVolume(50);/设置音量 pVoice-Speak(str.AllocSysString(),SPF_ASYNC,NULL); 另外也可以使用如下方式： CComPtr m_cpVoice; HRESULT hr = m_cpVoice.CoCreateInstance( CLSID_SpVoice ); 在下面的例子中都用这个m_cpVoice变量。 CLSID_SpVoice的定义位于SPAI.H中。2、获取/设置输出频率。 SAPI朗读文字的时候，可以采用多种频率方式输出声音，比如： 8kHz 8Bit Mono、8kHz 8Bit Stereo、44kHz 16Bit Mono、44kHz 16Bit Stereo等。在音调上有所差别。具体可以参考sapi.h。 可以使用如下代码获取当前的配置： CComPtr 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 是一个ENUM类型，定义位于SPAI.H中。每一个值对应了不同的频率设置。例如 SPSF_8kHz8BitStereo = 5 通过如下代码设置当前朗读频率： CComPtr m_cpOutAudio; /声音输出接口 SpCreateDefaultObjectFromCategoryId( SPCAT_AUDIOOUT, &m_cpOutAudio ); /创建接口 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、获取/设置播放所用语音。 引擎中所用的语音数据文件一般保存在SpeechEngines下的spd或者vce文件中。安装sdk后，在注册表中保存了可用的语音，比如英文的男/女，简体中文的男音等。位置是： HKEY_LOCAL_MACHINESoftwareMicrosoftSpeechVoicesTokens如果安装在中文操作系统下，则缺省所用的朗读语音是简体中文。SAPI的缺点是不能支持中英文混读，在朗读中文的时候，遇到英文，只能逐个字母读出。所以需要程序自己进行语音切换。(1) 可以采用如下的函数把当前SDK支持的语音填充在一个组合框中： / SAPI5 helper function in sphelper.h HWND hWndCombo = GetDlgItem( hWnd, IDC_COMBO_VOICES ); /组合框句柄 HRESULT hr = SpInitTokenComboBox( hWndCombo , SPCAT_VOICES ); 这个函数是通过IEnumSpObjectTokens接口枚举当前可用的语音接口，把接口的说明文字添加到组合框中，并且把接口的指针作为LPARAM 保存在组合框中。 一定要记住最后程序退出的时候，释放组合框中保存的接口： SpDestroyTokenComboBox( hWndCombo ); 这个函数的原理就是逐个取得combo里面每一项的LPARAM数据，转换成IUnknown接口指针，然后调用Release函数。(2) 当组合框选择变化的时候，可以用下面的函数获取用户选择的语音： ISpObjectToken* pToken = SpGetCurSelComboBoxToken( hWndCombo );(3) 用下面的函数获取当前正在使用的语音： CComPtr pOldToken; HRESULT hr = m_cpVoice-GetVoice( &pOldToken );(4) 当用户选择的语音和当前正在使用的不一致的时候，用下面的函数修改： if (pOldToken != pToken) / 首先结束当前的朗读，这个不是必须的。 HRESULT hr = m_cpVoice-Speak( NULL, SPF_PURGEBEFORESPEAK, 0); if (SUCCEEDED (hr) ) hr = m_cpVoice-SetVoice( pToken ); (5) 也可以直接使用函数SpGetTokenFromId获取指定voice的Token指针，例如： WCHAR pszTokenId = LHKEY_LOCAL_MACHINESoftwareMicrosoftSpeechVoicesTokensMSSimplifiedChineseVoice; SpGetTokenFromId(pszTokenID , &pChineseToken);4、开始/暂停/恢复/结束当前的朗读 要朗读的文字必须位于宽字符串中，假设位于szWTextString中，则： 开始朗读的代码： hr = m_cpVoice-Speak( szWTextString, SPF_ASYNC | SPF_IS_NOT_XML, 0 ); 如果要解读一个XML文本，用： hr = m_cpVoice-Speak( szWTextString, SPF_ASYNC | SPF_IS_XML, 0 ); 暂停的代码： m_cpVoice-Pause(); 恢复的代码： m_cpVoice-Resume(); 结束的代码：（上面的例子中已经给出了） hr = m_cpVoice-Speak( NULL, SPF_PURGEBEFORESPEAK, 0);5、跳过部分朗读的文字 在朗读的过程中，可以跳过部分文字继续后面的朗读，代码如下： ULONG ulGarbage = 0; WCHAR szGarbage = LSentence; hr = m_cpVoice-Skip( szGarbage, SkipNum, &ulGarbage ); SkipNum是设置要跳过的句子数量，值可以是正/负。 根据sdk的说明，目前SAPI仅仅支持SENTENCE这个类型。SAPI是通过标点符号来区分句子的。6、播放WAV文件。SAPI可以播放WAV文件，这是通过ISpStream接口实现的： CComPtr cpWavStream; WCHAR szwWavFileNameNORM_SIZE = L; USES_CONVERSION; wcscpy( szwWavFileName, T2W( szAFileName ) );/从ANSI将WAV文件的名字转换成宽字符串 /使用sphelper.h 提供的这个函数打开 wav 文件，并得到一个 IStream 指针 hr = SPBindToFile( szwWavFileName, SPFM_OPEN_READONLY, &cpWavStream ); if( SUCCEEDED( hr ) ) m_cpVoice-SpeakStream( cpWavStream, SPF_ASYNC, NULL );/播放WAV文件 7、将朗读的结果保存到wav文件 TCHAR szFileName256;/假设这里面保存着目标文件的路径 USES_CONVERSION; WCHAR m_szWFileNameMAX_FILE_PATH; wcscpy( m_szWFileName, T2W(szFileName) );/转换成宽字符串 /创建一个输出流，绑定到wav文件 CSpStreamFormat OriginalFmt; CComPtr cpWavStream; CComPtr cpOldStream; HRESULT hr = m_cpVoice-GetOutputStream( &cpOldStream ); if (hr = S_OK) hr = OriginalFmt.AssignFormat(cpOldStream); else hr = E_FAIL; / 使用sphelper.h中提供的函数创建 wav 文件 if (SUCCEEDED(hr) hr = SPBindToFile( m_szWFileName, SPFM_CREATE_ALWAYS, &cpWavStream, &OriginalFmt.FormatId(), OriginalFmt.WaveFormatExPtr() ); if( SUCCEEDED( hr ) ) /设置声音的输出到 wav 文件，而不是 speakers m_cpVoice-SetOutput(cpWavStream, TRUE); /开始朗读 m_cpVoice-Speak( szWTextString, SPF_ASYNC | SPF_IS_NOT_XML, 0 ); /等待朗读结束 m_cpVoice-WaitUntilDone( INFINITE ); cpWavStream.Release(); /把输出重新定位到原来的流 m_cpVoice-SetOutput( cpOldStream, FALSE ); 8、设置朗读音