[轉(zhuǎn)]Windows 語音編程初步

一、SAPI簡(jiǎn)介

軟件中的語音技術(shù)包括兩方面的內(nèi)容，一個(gè)是語音識(shí)別(speech recognition) 和語音合成(speech synthesis)。這兩個(gè)技術(shù)都需要語音引擎的支持。微軟推出的應(yīng)用編程接口API，雖然現(xiàn)在不是業(yè)界標(biāo)準(zhǔn)，但是應(yīng)用比較廣泛。

SAPI全稱 The Microsoft Speech API.相關(guān)的SR和SS引擎位于Speech SDK開發(fā)包中。這個(gè)語音引擎支持多種語言的識(shí)別和朗讀，包括英文、中文、日文等。

SAPI包括以下組件對(duì)象（接口）：

（1）Voice Commands API。對(duì)應(yīng)用程序進(jìn)行控制，一般用于語音識(shí)別系統(tǒng)中。識(shí)別某個(gè)命令后，會(huì)調(diào)用相關(guān)接口是應(yīng)用程序完成對(duì)應(yīng)的功能。如果程序想實(shí)現(xiàn)語音控制，必須使用此組對(duì)象。
（2）Voice Dictation API。聽寫輸入，即語音識(shí)別接口。
（3）Voice Text API。完成從文字到語音的轉(zhuǎn)換，即語音合成。
（4）Voice Telephone API。語音識(shí)別和語音合成綜合運(yùn)用到電話系統(tǒng)之上，利用此接口可以建立一個(gè)電話應(yīng)答系統(tǒng)，甚至可以通過電話控制計(jì)算機(jī)。
（5）Audio Objects API。封裝了計(jì)算機(jī)發(fā)音系統(tǒng)。

SAPI是架構(gòu)在COM基礎(chǔ)上的，微軟還提供了ActiveX控件，所以不僅可用于一般的windows程序，還可以用于網(wǎng)頁、VBA甚至EXCEL的圖表中。如果對(duì)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(duì)象。

二、安裝SAPI SDK。

首先從這個(gè)站點(diǎn)下載開發(fā)包： http://www.microsoft.com/speech/download/sdk51

Microsoft Speech SDK 5.1添加了Automation支持。所以可以在VB,ECMAScript等支持Automation的語言中使用。

版本說明：
Version: 5.1
發(fā)布日期: 8/8/2001
語音: English
下載尺寸: 2.0 MB - 288.8 MB

這個(gè)SDK開發(fā)包還包括了可以隨便發(fā)布的英文和中文的語音合成引擎(TTS)，和英文、中文、日文的語音識(shí)別引擎(SR)。

系統(tǒng)要求98以上版本。編譯開發(fā)包中的例子程序需要vc6以上環(huán)境。

******下載說明******：
（1）如果要下載例子程序，說明文檔，SAPI以及用于開發(fā)的美國(guó)英語語音引擎，需要下載SpeechSDK51.exe，大約68M。
（2）如果想要使用簡(jiǎn)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件一起發(fā)布語音引擎，需要下載SpeechSDK51MSM.exe，大約132M。
???? （在這個(gè)地址，我未能成功下載）。
（4）如果要獲取XP下的 Mike 和 Mary 語音，下載Sp5TTIntXP.exe。大約3.5M。
（5）如果要獲取開發(fā)包的文檔說明，請(qǐng)下載sapi.chm。大約2.3M。這個(gè)在sdk51里面已經(jīng)包含。

下載完畢后，首先安裝SpeechSDK51.exe，然后安裝中文語言補(bǔ)丁包SpeechSDK51LangPack，然后展開
msttss22l，自動(dòng)將所需dll安裝到系統(tǒng)目錄。

三、配置vc環(huán)境

在vc6.0的環(huán)境下編譯語音工程，首先要配置編譯環(huán)境。假設(shè)sdk安裝在d:\Microsoft Speech SDK 5.1\路徑下，打開工程設(shè)置對(duì)話框，在c/c++欄中選擇Preprocessor分類，然后在"附加包含路徑"中輸入
d:\Microsoft Speech SDK 5.1\include
告訴vc編譯程序所需的SAPI頭文件的位置。
然后切換到LINK欄，在Input分類下的附加庫(kù)路徑中輸入：
d:\Microsoft Speech SDK 5.1\lib\i386
使vc在鏈接的時(shí)候能夠找到sapi.lib。

四、語音合成的應(yīng)用。即使用SAPI實(shí)現(xiàn)TTS(Text to Speech)。

1、首先要初始化語音接口，一般有兩種方式：
?? ISpVoice* pVoice;
?? ::CoInitialize(NULL);
?? HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL, IID_ISpVoice,
?????????????? (void **)&pVoice);
?? 然后就可以使用這個(gè)指針調(diào)用SAPI函數(shù)了，例如
?? pVoice->SetVolume(50);//設(shè)置音量
?? 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(gè)m_cpVoice變量。

?? CLSID_SpVoice的定義位于SPAI.H中。

2、獲取/設(shè)置輸出頻率。

?? SAPI朗讀文字的時(shí)候，可以采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(diào)上有所差別。具體可以參考sapi.h。

?? 可以使用如下代碼獲取當(dāng)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(gè)ENUM類型，定義位于SPAI.H中。每一個(gè)值對(duì)應(yīng)了不同的頻率設(shè)置。例如 SPSF_8kHz8BitStereo? = 5

??? 通過如下代碼設(shè)置當(dāng)前朗讀頻率：
??? CComPtr<ISpAudio>?? m_cpOutAudio; //聲音輸出接口
??? SpCreateDefaultObjectFromCategoryId( SPCAT_AUDIOOUT, &m_cpOutAudio ); //創(chuàng)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、獲取/設(shè)置播放所用語音。

?? 引擎中所用的語音數(shù)據(jù)文件一般保存在SpeechEngines下的spd或者vce文件中。安裝sdk后，在注冊(cè)表中保存了可用的語音，比如英文的男/女，簡(jiǎn)體中文的男音等。位置是：
?? HKEY_LOCAL_MACHINE\Software\Microsoft\Speech\Voices\Tokens
如果安裝在中文操作系統(tǒng)下，則缺省所用的朗讀語音是簡(jiǎn)體中文。SAPI的缺點(diǎn)是不能支持中英文混讀，在朗讀中文的時(shí)候，遇到英文，只能逐個(gè)字母讀出。所以需要程序自己進(jìn)行語音切換。

(1) 可以采用如下的函數(shù)把當(dāng)前SDK支持的語音填充在一個(gè)組合框中：
??? // SAPI5 helper function in sphelper.h
??? HWND hWndCombo = GetDlgItem( hWnd, IDC_COMBO_VOICES ); //組合框句柄
??? HRESULT hr = SpInitTokenComboBox( hWndCombo , SPCAT_VOICES );
??? 這個(gè)函數(shù)是通過IEnumSpObjectTokens接口枚舉當(dāng)前可用的語音接口，把接口的說明文字添加到組合框中，并且把接口的指針作為L(zhǎng)PARAM
??? 保存在組合框中。
??? 一定要記住最后程序退出的時(shí)候，釋放組合框中保存的接口：
??? SpDestroyTokenComboBox( hWndCombo );
??? 這個(gè)函數(shù)的原理就是逐個(gè)取得combo里面每一項(xiàng)的LPARAM數(shù)據(jù)，轉(zhuǎn)換成IUnknown接口指針，然后調(diào)用Release函數(shù)。
(2) 當(dāng)組合框選擇變化的時(shí)候，可以用下面的函數(shù)獲取用戶選擇的語音：
??? ISpObjectToken* pToken = SpGetCurSelComboBoxToken( hWndCombo );

(3) 用下面的函數(shù)獲取當(dāng)前正在使用的語音：
??? CComPtr<ISpObjectToken> pOldToken;
??? HRESULT hr = m_cpVoice->GetVoice( &pOldToken );
(4) 當(dāng)用戶選擇的語音和當(dāng)前正在使用的不一致的時(shí)候，用下面的函數(shù)修改：
??? if (pOldToken != pToken)
??? {???????
???????? // 首先結(jié)束當(dāng)前的朗讀，這個(gè)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(shù)SpGetTokenFromId獲取指定voice的Token指針，例如：
????? WCHAR pszTokenId[] = L"HKEY_LOCAL_MACHINE\\Software\\Microsoft\\Speech\\Voices\\Tokens\\MSSimplifiedChineseVoice";
??? SpGetTokenFromId(pszTokenID , &pChineseToken);

4、開始/暫停/恢復(fù)/結(jié)束當(dāng)前的朗讀
??
?? 要朗讀的文字必須位于寬字符串中，假設(shè)位于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(gè)XML文本，用：
?? hr = m_cpVoice->Speak( szWTextString, SPF_ASYNC | SPF_IS_XML, 0 );

?? 暫停的代碼：?? m_cpVoice->Pause();
?? 恢復(fù)的代碼：?? m_cpVoice->Resume();
?? 結(jié)束的代碼：（上面的例子中已經(jīng)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(xù)后面的朗讀，代碼如下：
?? ULONG ulGarbage = 0;
?? WCHAR szGarbage[] = L"Sentence";
?? hr = m_cpVoice->Skip( szGarbage, SkipNum, &ulGarbage );
?? SkipNum是設(shè)置要跳過的句子數(shù)量，值可以是正/負(fù)。
?? 根據(jù)sdk的說明，目前SAPI僅僅支持SENTENCE這個(gè)類型。SAPI是通過標(biāo)點(diǎn)符號(hào)來區(qū)分句子的。

6、播放WAV文件。SAPI可以播放WAV文件，這是通過ISpStream接口實(shí)現(xiàn)的：

?? CComPtr<ISpStream>?????? cpWavStream;
?? WCHAR??????????????????? szwWavFileName[NORM_SIZE] = L"";;

?? USES_CONVERSION;
?? wcscpy( szwWavFileName, T2W( szAFileName ) );//從ANSI將WAV文件的名字轉(zhuǎn)換成寬字符串

?? //使用sphelper.h 提供的這個(gè)函數(shù)打開 wav 文件，并得到一個(gè) IStream 指針
?? hr = SPBindToFile( szwWavFileName, SPFM_OPEN_READONLY, &cpWavStream );
?? if( SUCCEEDED( hr ) )
?? {
??????? m_cpVoice->SpeakStream( cpWavStream, SPF_ASYNC, NULL );//播放WAV文件
?? }
7、將朗讀的結(jié)果保存到wav文件
?? TCHAR szFileName[256];//假設(shè)這里面保存著目標(biāo)文件的路徑
?? USES_CONVERSION;
?? WCHAR m_szWFileName[MAX_FILE_PATH];
?? wcscpy( m_szWFileName, T2W(szFileName) );//轉(zhuǎn)換成寬字符串

?? //創(chuàng)建一個(gè)輸出流，綁定到wav文件
?? 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(shù)創(chuàng)建 wav 文件
?? if (SUCCEEDED(hr))
?? {
????? hr = SPBindToFile( m_szWFileName, SPFM_CREATE_ALWAYS, &cpWavStream,
???????????????????????? &OriginalFmt.FormatId(), OriginalFmt.WaveFormatExPtr() );
??? }
?? if( SUCCEEDED( hr ) )
?? {
????? //設(shè)置聲音的輸出到 wav 文件，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(jié)束
??? m_cpVoice->WaitUntilDone( INFINITE );
??? cpWavStream.Release();

??? //把輸出重新定位到原來的流
??? m_cpVoice->SetOutput( cpOldStream, FALSE );
???
8、設(shè)置朗讀音量和速度
?? m_cpVoice->SetVolume((USHORT)hpos); //設(shè)置音量，范圍是 0 - 100
?? m_cpVoice->SetRate(hpos);??//設(shè)置速度，范圍是 -10 - 10

?? hpos的值一般位于

9、設(shè)置SAPI通知消息。SAPI在朗讀的過程中，會(huì)給指定窗口發(fā)送消息，窗口收到消息后，可以主動(dòng)獲取SAPI的事件，
?? 根據(jù)事件的不同，用戶可以得到當(dāng)前SAPI的一些信息，比如正在朗讀的單詞的位置，當(dāng)前的朗讀口型值（用于顯
?? 示動(dòng)畫口型，中文語音的情況下并不提供這個(gè)事件）等等。

?? 要獲取SAPI的通知，首先要注冊(cè)一個(gè)消息：
?? m_cpVoice->SetNotifyWindowMessage( hWnd, WM_TTSAPPCUSTOMEVENT, 0, 0 );
?? 這個(gè)代碼一般是在主窗口初始化的時(shí)候調(diào)用，hWnd是主窗口（或者接收消息的窗口）句柄。WM_TTSAPPCUSTOMEVENT
?? 是用戶自定義消息。

?? 在窗口響應(yīng)WM_TTSAPPCUSTOMEVENT消息的函數(shù)中，通過如下代碼獲取sapi的通知事件：

??? CSpEvent??????? event;? // 使用這個(gè)類，比用 SPEVENT結(jié)構(gòu)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(jié)束等。
?? 可以根據(jù)需要進(jìn)行判斷使用。

四、結(jié)束語
??
?? SAPI的功能很多，比如語音識(shí)別、使用語法分析等，由于條件和精力有限，我未能一一嘗試，感興趣的朋友可以自己安裝一個(gè)研究一下。
?? 另外提供一個(gè)簡(jiǎn)單例子程序的下載，位置是：
?? ftp://vckbase:vckbase@210.192.111.117/user/iwaswzq/Universe.rar