<转载>关于Microsoft Speech SDK 中TTS的研究

1. TTS概述
随着语音技术的发展，微软也推出了相应的语音开发工具，即Microsoft Speech SDK，这个SDK中包含了语音应用设计接口（SAPI）、微软的连续语音识别引擎（MCSR）以及微软的语音合成（TTS）引擎等等。它其中的TTS（text-to-speech）引擎可以用于实现语音合成，我们通过TTS引擎可以分析文本内容并且将其朗读出。实现TTS技术的方法有很多种，现在主要采用三种：连词技术、语音合成技术、子字连接技术。目前的5.1版本的SDK一共可以支持3种语言的识别 (英语，汉语和日语)以及2种语言的合成（英语和汉语）。其中还包括对于低层控制和高度适应性的直接语音管理、训练向导、事件、语法编译、资源、语音识别(SR)管理以及TTS管理等强大的设计接口。

2. 实现原理

以下是SpeechAPI的总体结构：

从图中我们可以看出语音引擎则通过DDI层（设备驱动接口）和SAPI(SpeechAPI)进行交互，应用程序通过API层和SAPI通信。通过使用这些API，用户可以快速开发在语音识别或语音合成方面应用程序。

应用程序使用ISpVoice接口来控制TTS，通过调用其中的Speak方法可以朗读出文本内容，通过调用SetVoice / GetVoice方法（在.NET中已经转变成Voice属性）来获取或设置朗读的语音，而通过调用GetVolume / SetVolume、GetRate / SetRate等方法（在.NET中已经转变成Volume和Rate属性）来获取或设置朗读的音量和语速。

功能强大之处在于TTS能识别XML标记，通过给文本加上XML标记，我们让TTS朗读出更加符合语言阅读习惯的句子。例如：

l <volume level=”60”></volume> 用于设置文本朗读的音量；

l <rate absspeed=”1”/>、<rate speed=”5”/> 分别用于设置文本朗读的绝对速度和相对速度；

l <pitch absmiddle=”2”/>、<pitch middle=”5”/> 分别用于设置文本朗读的绝对语调和相对语调；

l <emph></emph> 在他们之间的句子被视为强调；

l <spell></spell> 可以将单词逐个字母的拼写出来；

l <silence msec=”500”/> 表示停止发声，并保持500微秒；

l <context id=”date_mdy”>02/03/07</context> 可以按要求朗读出日期

l <voice required="Language=409"></voice> 用于设置朗读所用的语言，其中409表示使用英语，804表示使用汉语，而411表示日语。

3. 软件的开发

3.1. 开发环境的搭建

由于Microsoft Speech SDK是以COM组件的形式提供给我们的，因此在使用.NET开发时必须引入Interop.SpeechLib.dll文件，如图：

在引入DLL文件后，我们就可以通过添加“using SpeechLib;”引入命名空间，或直接使用SpeechLib前缀来使用SpeechLib空间下的所有类。

3.2. 二次封装TTS类

我们将使用Singleton设计模式来对TTS进行封装，首先声明一个SpVoice接口，并用SpVoiceClass 对象来实例化，这个接口是实现文本朗读的核心。接着提供用于朗读文本的方法，例如：

/// <summary>

/// 读出Xml文件内容

/// </summary>

/// <param name="xml">Xml文件内容</param>

public void SpeakXml(string xml)

{

voice.Speak(xml, SpeechVoiceSpeakFlags.SVSFIsXML | SpeechVoiceSpeakFlags.SVSFlagsAsync);

}

并且使用Pause()、Resume()、Stop()等方法来控制朗读暂停、继续和停止。至于保存音频文件，我们可以使用以下方法，将音频输出流指向一个文件流，来完成保存工作。

/// <summary>

/// 保存音频到文件

/// </summary>

/// <param name="xml">要读的Xml格式的内容</param>

/// <param name="fileName">要保存的文件名</param>

public void Save(string xml, string fileName)

{

SpFileStream stream = new SpFileStream();

stream.Open(fileName, SpeechStreamFileMode.SSFMCreateForWrite, false);

voice.AudioOutputStream = stream;

voice.Speak(xml, SpeechVoiceSpeakFlags.SVSFlagsAsync | SpeechVoiceSpeakFlags.SVSFIsXML);

voice.WaitUntilDone(Timeout.Infinite);

stream.Close();

}

3.3. 实现中英文的混合朗读

如果我们直接调用SpVoice接口中Speak方法来朗读文本，那么在朗读过程中，要么使用英文朗读引擎，要么使用中文朗读引擎，这样就只能朗读纯英文文本或纯中文文本。要怎样才能朗读混合的文本呢？第一种方法，我们可以在朗读过程中，根据文本的内容来切换朗读所用的引擎，即调用SetChinaVoice()和SetEnglishVoice()方法。第二种方法，我们在朗读文本之前，先分析文本，将属于英文的句子加上英文语音XML标记，即<voice required=”Language=409”></voice>，将属于中文的句子加上中文语音XML标记，即<voice required=”Language=804”></voice>。这样调用SpeakXml方法就可以实现中英文混合朗读。

在这里我选择第二种方法，在类中增加静态方法：AddXmlLangTag，返回添加过标记得文本内容。

/// <summary>

/// 设置中文语音

/// </summary>

public void SetChinaVoice()

{

voice.Voice = voice.GetVoices(string.Empty, string.Empty).Item(0);

}

/// <summary>

/// 设置英文语音

/// </summary>

public void SetEnglishVoice()

{

voice.Voice = voice.GetVoices(string.Empty, string.Empty).Item(1);

}

3.4. 界面的实现

在打开文件时，可以选择打开文本文件（*.Txt）和XML文件（*.Xml），如果打开的是XML文件，将不对内容作任何修改，并且也不允许调节音量、语速、语调，因为这些都应该在XML文件中写好；如果打开的是文本文件，则在朗读前，会调用AddXmlLangTag方法给文本加上语言标记，调用AddXmlPitchTag方法给文本加上语调标记，同时也允许调节音量、语速、语调。

4. 总结

通过为普通文本内容设置语音XML标记，并调用SpVoice接口的Speak方法，可以实现中英文文本的混合朗读。如果要使朗读的效果更佳，就必须手工为每一个句子设置相应的XML标记，这样可使朗读更接近人性化。

【参考文献】

1．Microsoft Speech SDK 帮助 （sapi.chm）

2．http://www.codeproject.com/vb/net/TTSinVBpackage.asp

3．http://www.c-sharpcorner.com/SpeechNet.asp

4．http://www.supinfo-projects.com/cn/2006/xing_jin_inter_2006/

5．http://www.microsoft.com/china/community/program/originalarticles/TechDoc/Cnspeech.mspx

6．http://www.microsoft.com/speech/default.mspx

【源码】

Talker.cs

using System;

using System.Collections.Generic;

using System.Text;

using System.Threading;

using SpeechLib;

namespace VoiceTalker

{

/// <summary>

/// TTS语音朗读类

/// </summary>

public class Talker

{

private static Talker talker = null; //Talker对象

private SpVoice voice = null; //SpVoice对象，用于实现TTS

/// <summary>

/// 默认的英文语音ID

/// </summary>

public const string DefaultEnglishLangID = "409";

/// <summary>

/// 默认的中文语音ID

/// </summary>

public const string DefaultChineseLangID = "804";

/// <summary>

/// 构造函数

/// </summary>

private Talker()

{

voice = new SpeechLib.SpVoiceClass();

}

/// <summary>

/// 获取或设置音量

/// </summary>

public int Volume

{

get

{

return voice.Volume;

}

set

{

voice.Volume = value;

}

}

/// <summary>

/// 获取或设置语速

/// </summary>

public int Rate

{

get

{

return voice.Rate;

}

set

{

voice.Rate = value;

}

}

/// <summary>

/// 获取或设置语音

/// </summary>

public SpObjectToken Voice

{

get

{

return voice.Voice;

}

set

{

voice.Voice = value;

}

}

/// <summary>

/// 获得实例

/// </summary>

/// <returns>Talker对象</returns>

public static Talker Instance()

{

if (talker == null)

{

talker = new Talker();

}

return talker;

}

/// <summary>

/// 给文本内容添加语言标记

/// </summary>

/// <param name="src">文本内容</param>

/// <returns>经过语言标记的文本内容</returns>

public static string AddXmlLangTag(string src)

{

return AddXmlLangTag(src, Talker.DefaultEnglishLangID, Talker.DefaultChineseLangID);

}

/// <summary>

/// 给文本内容添加语言标记

/// </summary>

/// <param name="src">文本内容</param>

/// <param name="englishLangID">英文语音ID</param>

/// <param name="chineseLangID">中文语音ID</param>

/// <returns>经过语言标记的文本内容</returns>

public static string AddXmlLangTag(string src, string englishLangID, string chineseLangID)

{

if (src.Length < 1)

{

return "";

}

StringBuilder dest = new StringBuilder();

int startPos = 0, endPos = 0;

bool isAscii = !(src[0] > 128);

for (int i = 0; i < src.Length; i++)

{

/* 判断每个字符是否为ASCII，如果是则加上<voice required="Language=englishLangID"></voice>

* 如果不是就加上<voice required="Language=chineseLangID></voice>

*/

if (src[i] > 128)

{

if (isAscii)

{

string sub = src.Substring(startPos, endPos - startPos);

dest.Append("<voice required=\"Language=" + englishLangID + "\">" + sub + "</voice>");

startPos = endPos;

}

isAscii = false;

endPos++;

}

else

{

if (!isAscii)

{

string sub = src.Substring(startPos, endPos - startPos);

dest.Append("<voice required=\"Language=" + chineseLangID + "\">" + sub + "</voice>");

startPos = endPos;

}

isAscii = true;

endPos++;

}

}

string r = src.Substring(startPos, endPos - startPos);

string langID = isAscii == true ? englishLangID : chineseLangID;

dest.Append("<voice required=\"Language=" + langID + "\">" + r + "</voice>");

return dest.ToString();

}

/// <summary>

/// 给文本内容添加语调标记

/// </summary>

/// <param name="src">文本内容</param>

/// <param name="pitch">语调</param>

/// <returns>经过语调标记的文本内容</returns>

public static string AddXmlPitchTag(string src, int pitch)

{

string pitchTag = "<pitch absmiddle=\"" + pitch.ToString() + "\"/>";

return pitchTag + src;

}

/// <summary>

/// 设置中文语音

/// </summary>

public void SetChinaVoice()

{

voice.Voice = voice.GetVoices(string.Empty, string.Empty).Item(0);

}

/// <summary>

/// 设置英文语音

/// </summary>

public void SetEnglishVoice()

{

voice.Voice = voice.GetVoices(string.Empty, string.Empty).Item(1);

}

/// <summary>

/// 读出文件内容

/// </summary>

/// <param name="text">文件内容</param>

public void SpeakText(string text)

{

voice.Speak(text, SpeechVoiceSpeakFlags.SVSFDefault | SpeechVoiceSpeakFlags.SVSFlagsAsync);

}

/// <summary>

/// 读出Xml文件内容

/// </summary>

/// <param name="xml">Xml文件内容</param>

public void SpeakXml(string xml)

{

voice.Speak(xml, SpeechVoiceSpeakFlags.SVSFIsXML | SpeechVoiceSpeakFlags.SVSFlagsAsync);

}

/// <summary>

/// 读出文件内容

/// </summary>

/// <param name="fileName">文件名</param>

public void SpeakFile(string fileName)

{

voice.Speak(fileName, SpeechVoiceSpeakFlags.SVSFIsFilename | SpeechVoiceSpeakFlags.SVSFlagsAsync);

}

/// <summary>

/// 暂停

/// </summary>

public void Pause()

{

voice.Pause();

}

/// <summary>

/// 继续

/// </summary>

public void Resume()

{

voice.Resume();

}

/// <summary>

/// 停止说话

/// </summary>

public void Stop()

{

voice.Speak(string.Empty, SpeechVoiceSpeakFlags.SVSFPurgeBeforeSpeak);

}

/// <summary>

/// 保存音频到文件

/// </summary>

/// <param name="xml">要读的Xml格式的内容</param>

/// <param name="fileName">要保存的文件名</param>

public void Save(string xml, string fileName)

{

SpFileStream stream = new SpFileStream();

stream.Open(fileName, SpeechStreamFileMode.SSFMCreateForWrite, false);

voice.AudioOutputStream = stream;

voice.Speak(xml, SpeechVoiceSpeakFlags.SVSFlagsAsync | SpeechVoiceSpeakFlags.SVSFIsXML);

voice.WaitUntilDone(Timeout.Infinite);

stream.Close();

}

}

}

VoiceForm.cs

using System;

using System.Collections.Generic;

using System.ComponentModel;

using System.Data;

using System.Drawing;

using System.Text;

using System.IO;

using System.Windows.Forms;

namespace VoiceTalker

{

public partial class VoiceForm : Form

{

private bool isXml = false;

private Talker talker = Talker.Instance();

public VoiceForm()

{

InitializeComponent();

}

private void openButton_Click(object sender, EventArgs e)

{

DialogResult dr = openFileDialog.ShowDialog();

if (dr == DialogResult.OK)

{

FileInfo fi = new FileInfo(openFileDialog.FileName);

//判断是否为Xml格式的文件

if (fi.Extension.ToLower() == ".xml")

{

controlBox.Enabled = false;

isXml = true;

}

else

{

controlBox.Enabled = true;

}

fileNameText.Text = fi.FullName;

contentText.Text = "";

//读取文件内容

StreamReader sr = new StreamReader(openFileDialog.OpenFile(), Encoding.Default);

contentText.Text = sr.ReadToEnd();

}

}

private void speakButton_Click(object sender, EventArgs e)

{

try

{

if (isXml)

{

talker.SpeakXml(contentText.Text);

}

else

{

talker.Volume = volumeBar.Value;

talker.Rate = rateBar.Value;

String readText = Talker.AddXmlLangTag(contentText.Text);

readText = Talker.AddXmlPitchTag(readText, pitchBar.Value);

talker.SpeakXml(readText);

}

}

catch (Exception ex)

{

MessageBox.Show(ex.Message, "错误", MessageBoxButtons.OK, MessageBoxIcon.Error);

}

}

private void StopButton_Click(object sender, EventArgs e)

{

try

{

talker.Stop();

}

catch (Exception ex)

{

MessageBox.Show(ex.Message, "错误", MessageBoxButtons.OK, MessageBoxIcon.Error);

}

}

private void pauseButton_Click(object sender, EventArgs e)

{

try

{

if (pauseButton.Text == "暂停")

{

talker.Pause();

pauseButton.Text = "继续";

}

else

{

talker.Resume();

pauseButton.Text = "暂停";

}

}

catch (Exception ex)

{

MessageBox.Show(ex.Message, "错误", MessageBoxButtons.OK, MessageBoxIcon.Error);

}

}

private void saveButton_Click(object sender, EventArgs e)

{

try

{

DialogResult dr = saveFileDialog.ShowDialog();

if (dr == DialogResult.OK)

{

string fileName = saveFileDialog.FileName;

string content = contentText.Text;

if (!isXml)

{

talker.Volume = volumeBar.Value;

talker.Rate = rateBar.Value;

content = Talker.AddXmlLangTag(content);

content = Talker.AddXmlPitchTag(content, pitchBar.Value);

}

talker.Save(content, fileName);

}

}

catch (Exception ex)

{

MessageBox.Show(ex.Message, "错误", MessageBoxButtons.OK, MessageBoxIcon.Error);

}

}

private void volumeBar_Scroll(object sender, EventArgs e)

{

try

{

talker.Volume = volumeBar.Value;

}

catch (Exception ex)

{

MessageBox.Show(ex.Message, "错误", MessageBoxButtons.OK, MessageBoxIcon.Error);

}

}

private void rateBar_Scroll(object sender, EventArgs e)

{

try

{

talker.Rate = rateBar.Value;

}

catch (Exception ex)

{

MessageBox.Show(ex.Message, "错误", MessageBoxButtons.OK, MessageBoxIcon.Error);

}

}

private void aboutButton_Click(object sender, EventArgs e)

{

new AboutForm().ShowDialog();

}

private void exitButton_Click(object sender, EventArgs e)

{

Application.Exit();

}

}

}

本文出处：http://blog.csdn.net/virlene/archive/2007/03/15/1529844.aspx