语音识别 微软语音技术SAPI语音编程初步

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：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 5.1/include 

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 5.1/lib/i386

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<ISpVoice>   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<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<ISpAudio>   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_MACHINE/Software/Microsoft/Speech/Voices/Tokens

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<ISpObjectToken> 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[] = L"HKEY_LOCAL_MACHINE//Software//Microsoft//Speech//Voices//Tokens//MSSimplifiedChineseVoice";

    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[] = L"Sentence";

   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<ISpStream>       cpWavStream;

   WCHAR                    szwWavFileName[NORM_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 szFileName[256];//假设这里面保存着目标文件的路径

   USES_CONVERSION;

   WCHAR m_szWFileName[MAX_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<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、设置朗读音量和速度

   m_cpVoice->SetVolume((USHORT)hpos); //设置音量，范围是 0 - 100

   m_cpVoice->SetRate(hpos);  //设置速度，范围是 -10 - 10

   hpos的值一般位于

9、设置SAPI通知消息。SAPI在朗读的过程中，会给指定窗口发送消息，窗口收到消息后，可以主动获取SAPI的事件，

   根据事件的不同，用户可以得到当前SAPI的一些信息，比如正在朗读的单词的位置，当前的朗读口型值（用于显

   示动画口型，中文语音的情况下并不提供这个事件）等等。

   要获取SAPI的通知，首先要注册一个消息：

   m_cpVoice->SetNotifyWindowMessage( hWnd, WM_TTSAPPCUSTOMEVENT, 0, 0 );

   这个代码一般是在主窗口初始化的时候调用，hWnd是主窗口（或者接收消息的窗口）句柄。WM_TTSAPPCUSTOMEVENT

   是用户自定义消息。

   在窗口响应WM_TTSAPPCUSTOMEVENT消息的函数中，通过如下代码获取sapi的通知事件：

    CSpEvent        event;  // 使用这个类，比用 SPEVENT结构更方便

    while( event.GetFrom(m_cpVoice) == S_OK )

    {

        switch( event.eEventId )

        {

           。。。

        }

    }

   eEventID有很多种，比如SPEI_START_INPUT_STREAM表示开始朗读，SPEI_END_INPUT_STREAM表示朗读结束等。

   可以根据需要进行判断使用。