Microsoft Speech API Overview（SAPI 5.4）

Microsoft Speech API Overview（SAPI 5.4）

SAPI程序开发接口（API）大大减少了程序使用语音识别和TTS所需的大量代码。使得语音技术能在应用程序中更广泛的应用，并且更加健壮。本部分内容覆盖如下主题：

API Overview
API for Text-to-Speech
API for Speech Recognition

1. 微软语音API概述
微软SAPI编程接口提供了一个在应用程序和语音引擎之间的高层接口。SAPI实现了所有底层细节需要控制和管理的各种语音引擎的实时操作。
SAPI引擎的两个基本类型是：text-to-speech（TTS）文本语音转换系统和speech recognizers语音识别。TTS系统使用合成语音，将文本串和文件到发声音频。语音识别将人类说话音频转化为可读的文本字符串和文件。

2. Text-to-Speech文本到语音转换API
应用程序可以使用ISpVoice组件对象模型（COM）接口来控制文本到语音（TTS）。当一个应用程序创建了一个ISpVoice对象，应用程序便只需要调用ISpVoice::Speak来从一些文本数据产生语音输出。同时，ISpVoice接口还提供了一些方法用于改变声音和合成属性，如发音的速度ISpVoice::SetRate，输出音量ISpVoice::SetVolume和改变当前音色的ISpVoice::SetVoice。

一些特定的SAPI控制，可以同输入文本一起被插入，用于改变实时属性，如voice、pitch、重音、语速和音量。这些合成标定sapi.xsd，使用标准的XML格式，是一种简单但功能强的的方法来定制TTS语音，独立于特定的引擎或者当前使用的声音。

ISpVoice::Speak方法，可以进行异步（当完成发音后才返回）或同步（作为背景进程立即处理和发音）的操作。当使用同步发音（SPF_ASYNC）时，实时状态信息，如说话状态和当前文本位置，可以通过ISpVoice::GetStatus获得。同时，当进行同步发音时，新文本可以通过立即中断当前输出，或追加到当前输出的末尾来发音。

另外，作为ISpVoice接口的附加，SAPI还提供了一些实用的COM接口来提高TTS应用程序：

事件Events
SAPI通过发送事件，使用标准回调机制（Windows Message, callback proc or Win32 Event）与应用程序通讯。对于TTS，事件大多数用于同步输出语音的情况。应用程序可以同步于其他事件实时操作，如到达词边界、音素和viseme（嘴唇运动）边界或应用程序定制书签。应用程序可以通过使用ISpNotifySource、ISpNotifySink、ISpNotifyTranslator、ISpEventSink、ISpEventSource和ISpNotifyCallback来初始化和处理这些实时事件。

词汇Lexicons
应用程序可以使用ISpContainerLexicon、ISpLexicon和ISpPhoneConverter方法，为语音合成引擎定制单词发音。

音频Audio
最后，这里还有一个接口用于为一些特殊目的定制音频输出，如用于电话和定制硬件（ISpAudio、ISpMMSysAudio、ISpStream、ISpStreamFormat、ISpStreamFormatConverter）。

3. 语音识别API
ISpVoice是主要的语音合成接口，ISpRecoContext则是语音识别的主要接口。像ISpVoice一样，它也是一个ISpEventSource，意思是说它是语音软件的工具，用于接受语音识别事件的请求工作。

一个应用程序的选择有两种，两种不同类型的语音识别引擎（ISpRecognizer）。一个可以和其他语音识别软件共享的recognizer，这也是推荐大多数识别软件使用的引擎。要为共享ISpRecognizer创建一个ISpRecoContext，应用软件只需要在组件CLSID_SpSharedRecoContext调用COM的CoCreateInstance即可。在此情况下，SAPI将建立一个音频输入流，设置它为SAPI的默认音频输入流。对于大型服务应用程序，可能需要独立运行于一个系统，此时，性能将是关键。一个InProc语音识别引擎更加何时。要创建一个InProc ISpRecognizer的ISpRecoContext，程序必须首先调用CLSID_SpInprocRecoInstance组件的CoCreateInstance来创建自己的InProc ISpRecognizer。接着，程序需要调用ISpRecognizer::SetInput（参见ISpObjectToken）来建立一个音频输入。最后，要调用ISpRecognizer::CreateRecoContext来获得一个ISpRecoContext。

下一步是为应用程序创建感兴趣的事件消息notifications。ISpRecognizer作为ISpEventSource，同样也是一个ISpNotifySource，应用程序从ISpRecoContext中调用ISpNotifySource方法中的一个，来提示ISpRecoContext中的哪些事件需要报告。然后，它要调用ISpEventSource::SetInterest来确定哪些事件需要notified。最重要的事件是SPEI_RECOGNITION，用于提示ISpRecognizer已经为ISpRecoContext识别了一些语音。其他时间的详细介绍可以参见SPEVENTENUM。

最后，语音软件必须创建、加载和激活一个ISpRecoGrammar，which essentially indicates what type of utterances to recognize, i.e., dictation or a command and control grammar.。首先，程序使用ISpRecoContext::CreateGrammar创建一个ISpRecoGrammar。然后，程序加载合适的语法，可以使用ISpRecoGrammar::LoadDictation加载词典，或ISpRecoGrammar::LoadCmdXXX方法的一个用于命令和控制。最后，调用ISpRecoGrammar::SetDictationState、ISpRecoGrammar::SetRuleState或ISpRecoGrammar::SetRuleIdState为词典或命令和控制激活语法，启识识别。

当识别请求处理返回给应用程序时，SPEVENT结构的lParam成员作为ISpRecoResult返回。通过这个结果，应用程序可以决定识别出了什么。
一个ISpRecognizer，不管是共享的或是InProc的，都可以拥有多个ISpRecoContext与其关联。并且，每一个都将有自己的事件提醒通道。ISpRecoContext又可以创建多个ISpRecoGrammar，每个可用于不同类型的utterances。