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