【VC++技术杂谈004】使用微软TTS语音引擎实现文本朗读

　　本文主要介绍如何使用微软TTS语音引擎实现文本朗读，以及生成wav格式的声音文件。

1.语音引擎及语音库的安装

　　TTS（Text-To-Speech）是指文本语音的简称,即通过TTS引擎把文本转化为语音输出。

　　微软TTS语音引擎提供了Windows Speech SDK开发包供编程者使用。Windows Speech SDK包含语音合成SS引擎和语音识别SR引擎两种，语音合成引擎用于将文字转换成语音输出，语音识别引擎用于识别语音命令。

　　Windows Speech SDK可以在微软的官网上免费下载，下载地址为：http://www.microsoft.com/download/en/details.aspx?id=10121

　　在该下载界面中，选择下载SpeechSDK51.exe、SpeechSDK51LangPach.exe和sapi.chm 即可。其中，SpeechSDK51.exe是简体中文语音引擎，SpeechSDK51LangPach.exe是中文男生语音库，sapi.chm是SAPI（The Microsoft Speech API）帮助文档。

　　下载完成后，先安装语音引擎SpeechSDK51.exe，再安装中文语音库SpeechSDK51LangPach.exe。安装完成后，可以依次点击【开始】/【控制面板】/【语言】打开图1所示的语言属性对话框。在该对话框的“文字-语音转换”标签页下的“语音选择”中能够看到当前系统安装的全部可用的语音库。



图1 语言属性对话框

2.ISpVoice接口的成员函数

　　文本朗读的功能主要是通过使用ISpVoice接口的成员函数来实现的。该接口的常用成员函数有如下一些：

(1)HRESULT Speak(LPCWSTR *pwcs, DWORD dwFlags, ULONG *pulStreamNumber);　　//朗读文本

(2)HRESULT Pause ( void); 　　　　 //暂停朗读

(3)HRESULT Resume ( void); 　　　　 //恢复朗读

(4)HRESULT SetRate( long RateAdjust); 　　 　　 //设置朗读速度（取值范围：-10到10）

(5)HRESULT GetRate(long *pRateAdjust); 　　　　 //获取朗读速度

(6)HRESULT SetVoice(ISpObjectToken *pToken); 　　//设置使用的语音库

(7)HRESULT GetVoice(ISpObjectToken** ppToken); 　　//获取语音库

(8)HRESULT SetVolume(USHORT usVolume); 　　　　//设置音量（取值范围：0到100）

(9)HRESULT GetVolume(USHORT *pusVolume); 　　　　//获取音量

(10)HRESULT SetOutput(IUnknown *pUnkOutput,BOOL fAllowFormatChanges); 　　　　//设置输出

(11)HRESULT SpeakStream(IStream *pStream, DWORD dwFlags, ULONG *pulStreamNumber); 　　//朗读wav数据流

3.编程实例

　　了解了以上一些ISpVoice接口的成员函数之后，我们就可以开始编写程序来实现文本朗读，以及生成wav格式声音文件的功能了。

3.1环境配置

　　首先，我们需要将Windows Speech SDK开发包的头文件和库文件所在路径添加到编译器中，具体方法如下（这里以VC++6.0为例）：

　　依次点击【工具】/【选项】，打开选项对话框，选择【目录】标签，在【路径】中加入“C:\Program Files\Microsoft Speech SDK 5.1\Include”和“C:\Program Files\Microsoft Speech SDK 5.1\Lib\i386”。如图2所示。



图2 选项对话框

　　其次，还需要在工程中包含TTS语音引擎头文件和库文件，具体如下：

#include <sapi.h>                            //包含TTS语音引擎头文件和库文件
#include <sphelper.h>
#pragma comment(lib, "sapi.lib")

3.2枚举语音库

　　枚举语音库需要使用到SpEnumTokens()函数，该函数原型如下：

inline HRESULT SpEnumTokens(
const WCHAR            *pszCategoryId,
const WCHAR            *pszReqAttribs,
const WCHAR            *pszOptAttribs,
IEnumSpObjectTokens   **ppEnum
);

　　其中，参数ppEnum是IEnumSpObjectTokens类型的指针，用于存储枚举得到的所有语音Token。IEnumSpObjectTokens的成员函数GetCount()用于得到语音Token的总个数，而成员函数Item()则用于得到具体的某一个语音Token。

　　如下的代码示例如何枚举得到的所有语音Token，并将得到的语音库的名字添加到下拉组合框控件中，具体实现如下：

/*
* 函数功能 : 初始化语言包选择组合框控件
* 备    注 :
* 作    者 : 博客园 依旧淡然
*/
void CTTSDemoDlg::InitVoicePackageSelComboxCtrl()
{
//初始化COM组件
if(FAILED(::CoInitialize(NULL)))
{
MessageBox("初始化COM组件失败!", "提示", MB_OK|MB_ICONWARNING);
return;
}

//枚举所有语音Token
if(SUCCEEDED(SpEnumTokens(SPCAT_VOICES, NULL, NULL, &m_pIEnumSpObjectTokens)))
{
//得到所有语音Token的个数
ULONG ulTokensNumber = 0;
m_pIEnumSpObjectTokens->GetCount(&ulTokensNumber);

//检测该机器是否安装有语音包
if(ulTokensNumber == 0)
{
MessageBox("该机器没有安装语音包!", "提示", MB_OK|MB_ICONWARNING);
return;
}

//将语音包的名字加入组合框控件
CString strVoicePackageName = _T("");
CString strTokenPrefixText = _T("HKEY_LOCAL_MACHINE\\SOFTWARE\\Microsoft\\Speech\\Voices\\Tokens\\");
for(ULONG i=0; i<ulTokensNumber; i++)
{
m_pIEnumSpObjectTokens->Item(i, &m_pISpObjectToken);
WCHAR* pChar;
m_pISpObjectToken->GetId(&pChar);
strVoicePackageName = pChar;
strVoicePackageName.Delete(0, strTokenPrefixText.GetLength());
m_ComboxVoiceSel.InsertString(i, strVoicePackageName);
}

//设置默认的语音包选择
m_ComboxVoiceSel.SetCurSel(0);
}
}

　　通过以上的代码可以看到，首先，我们通过调用CoInitialize()函数完成了对COM组件的初始化。然后，我们调用SpEnumTokens()函数得到了m_pIEnumSpObjectTokens对象，该对象存储了枚举得到的所有语音Token。紧接着，我们调用GetCount()函数得到个数，并调用Item()函数得到具体的每一个语音Token对象m_pISpObjectToken。最后，我们通过调用m_pISpObjectToken对象的GetId()函数便能得到具体的某一个Token对象的ID，其形式为“HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Speech\Voices\Tokens\XXXXX”，去掉其前缀便能得到具体的语音库的名字了。

　　该实例运行效果如图3所示，点击“语音包选择”组合框下拉箭头，能够看到与图1中列出的语音包是一致的。



图3 TTS示例运行效果

3.3文本朗读

　　点击图3所示界面中的“开始朗读”按钮，能够根据当前所选择的语音包以及设定的语速和音量，对朗读内容编辑框中的内容进行朗读。其具体实现方法如下：

/*
* 函数功能 : 点击"开始朗读"按钮时，该函数被调用
* 备    注 :
* 作    者 : 博客园 依旧淡然
*/
void CTTSDemoDlg::OnButtonStartRead()
{
UpdateData(true);

//获取ISpVoice接口
if(FAILED(CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_INPROC_SERVER, IID_ISpVoice, (void**)&m_pISpVoice)))
{
MessageBox("获取ISpVoice接口失败!", "提示", MB_OK|MB_ICONWARNING);
return;
}

//设置语言
m_pIEnumSpObjectTokens->Item(m_ComboxVoiceSel.GetCurSel(), &m_pISpObjectToken);
m_pISpVoice->SetVoice(m_pISpObjectToken);

//设置播放速度
m_pISpVoice->SetRate(m_SliderVoiceSpeed.GetPos() - 10);

//设置音量大小
m_pISpVoice->SetVolume(100 - m_SliderVoiceSize.GetPos());

//检测朗读内容是否为空
if(m_EditContent.IsEmpty())
{
MessageBox("朗读内容不能为空!", "提示", MB_OK|MB_ICONWARNING);
return;
}

//开始进行朗读
m_pISpVoice->Speak(m_EditContent.AllocSysString(), SPF_ASYNC, NULL);
}

　　在以上代码中可以看到，使用了ISpVoice接口函数来完成语音库的选择、语速和音量大小的设定，以及通过调用Speak()函数进行文本朗读。

3.4生成WAV格式的声音文件

　　要将文本朗读的声音保存为WAV格式的声音文件，主要是通过调用ISpVoice接口函数GetOutputStream()和SetOutput()来实现的。

以下的代码段给出了实现该功能的示例：

//生成WAV文件
CComPtr<ISpStream> cpISpStream;
CComPtr<ISpStreamFormat> cpISpStreamFormat;
CSpStreamFormat spStreamFormat;
m_pISpVoice->GetOutputStream(&cpISpStreamFormat);
spStreamFormat.AssignFormat(cpISpStreamFormat);
HRESULT hResult = SPBindToFile("C:\\Documents and Settings\\Administrator\\桌面\\TEST\\test.wav",
SPFM_CREATE_ALWAYS,
&cpISpStream,
&spStreamFormat.FormatId(),
spStreamFormat.WaveFormatExPtr());
if(SUCCEEDED(hResult))
{
m_pISpVoice->SetOutput(cpISpStream, TRUE);
m_pISpVoice->Speak(m_EditContent.AllocSysString(), SPF_DEFAULT, NULL);
MessageBox("生成WAV文件成功!", "提示", MB_OK);
}
else
{
MessageBox("生成WAV文件失败!", "提示", MB_OK|MB_ICONWARNING);
}