关于Microsoft Speech SDK 中TTS的研究

 与上一篇相比，这篇是用的C#.net开发，讲述的更加清晰

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();
        }
    }
}

出处：http://tb.blog.csdn.net/TrackBack.aspx?PostId=1529844