微軟語音技術 Windows 語音編程初步
一、SAPI簡介
軟件中的語音技術包括兩方面的內容，一個是語音識別(speech recognition) 和語音合成(speech synthesis)。這兩個技術都需要語音引擎的支持。微軟推出的應用編程接口API，雖然現在不是業界標準，但是應用比較廣泛。
SAPI全稱 The Microsoft Speech API.相關的SR和SS引擎位於Speech SDK開發包中。這個語音引擎支持多種語言的識別和朗讀，包括英文、中文、日文等。
SAPI包括以下組件對象（接口）：
（1）Voice Commands API。對應用程序進行控制，一般用於語音識別系統中。識別某個命令後，會調用相關接口是應用程序完成對應的功能。如果程序想實現語音控制，必須使用此組對象。
（2）Voice Dictation API。聽寫輸入，即語音識別接口。
（3）Voice Text API。完成從文字到語音的轉換，即語音合成。
（4）Voice Telephone API。語音識別和語音合成綜合運用到電話系統之上，利用此接口可以建立一個電話應答系統，甚至可以通過電話控制計算機。
（5）Audio Objects API。封裝了計算機發音系統。
SAPI是架構在COM基礎上的，微軟還提供了ActiveX控件，所以不僅可用於一般的windows程序，還可以用於網頁、VBA甚至EXCEL的圖表中。如果對COM感到陌生，還可以使用微軟的C++ WRAPPERS，它用C++類封裝了語音SDK COM對象。
二、安裝SAPI SDK。
首先從這個站點下載開發包：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的語言中使用。
版本說明：
Version: 5.1
發布日期: 8/8/2001
語音: English
下載尺寸: 2.0 MB - 288.8 MB
這個SDK開發包還包括了可以隨便發布的英文和中文的語音合成引擎(TTS)，和英文、中文、日文的語音識別引擎(SR)。
系統要求98以上版本。編譯開發包中的例子程序需要vc6以上環境。
******下載說明******：
（1）如果要下載例子程序，說明文檔，SAPI以及用於開發的美國英語語音引擎，需要下載SpeechSDK51.exe，大約68M。
（2）如果想要使用簡體中文和日文的語音引擎，需要下載SpeechSDK51LangPack.exe。大約82M。
（3）如果想要和自己的軟件一起發布語音引擎，需要下載SpeechSDK51MSM.exe，大約132M。
（在這個地址，我未能成功下載）。
（4）如果要獲取XP下的 Mike 和 Mary 語音，下載Sp5TTIntXP.exe。大約3.5M。
（5）如果要獲取開發包的文檔說明，請下載sapi.chm。大約2.3M。這個在sdk51裏面已經包含。
下載完畢後，首先安裝SpeechSDK51.exe，然後安裝中文語言補丁包SpeechSDK51LangPack，然後展開
msttss22l，自動將所需dll安裝到系統目錄。
三、配置vc環境
在vc6.0的環境下編譯語音工程，首先要配置編譯環境。假設sdk安裝在d:/Microsoft Speech SDK 5.1/路徑下，打開工程設置對話框，在c/c++欄中選擇Preprocessor分類，然後在"附加包含路徑"中輸入
d:/Microsoft Speech SDK 5.1/include
告訴vc編譯程序所需的SAPI頭文件的位置。
然後切換到LINK欄，在Input分類下的附加庫路徑中輸入：
d:/Microsoft Speech SDK 5.1/lib/i386
使vc在鏈接的時候能夠找到sapi.lib。
四、語音合成的應用。即使用SAPI實現TTS(Text to Speech)。
1、首先要初始化語音接口，一般有兩種方式：
ISpVoice* pVoice;
::CoInitialize(NULL);
HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL, IID_ISpVoice,
(void **)&pVoice);
然後就可以使用這個指針調用SAPI函數了，例如
pVoice->SetVolume(50);//設置音量
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這個m_cpVoice變量。
CLSID_SpVoice的定義位於SPAI.H中。
2、獲取/設置輸出頻率。
SAPI朗讀文字的時候，可以采用多種頻率方式輸出聲音，比如：
8kHz 8Bit Mono、8kHz 8Bit Stereo、44kHz 16Bit Mono、44kHz 16Bit Stereo等。在音調上有所差別。具體可以參考sapi.h。
可以使用如下代碼獲取當前的配置：
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 是一個ENUM類型，定義位於SPAI.H中。每一個值對應了不同的頻率設置。例如 SPSF_8kHz8BitStereo = 5
通過如下代碼設置當前朗讀頻率：
CComPtr<ISpAudio> m_cpOutAudio; //聲音輸出接口
SpCreateDefaultObjectFromCategoryId( SPCAT_AUDIOOUT, &m_cpOutAudio ); //創建接口
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、獲取/設置播放所用語音。
引擎中所用的語音數據文件一般保存在SpeechEngines下的spd或者vce文件中。安裝sdk後，在註冊表中保存了可用的語音，比如英文的男/女，簡體中文的男音等。位置是：
HKEY_LOCAL_MACHINE/Software/Microsoft/Speech/Voices/Tokens
如果安裝在中文操作系統下，則缺省所用的朗讀語音是簡體中文。SAPI的缺點是不能支持中英文混讀，在朗讀中文的時候，遇到英文，只能逐個字母讀出。所以需要程序自己進行語音切換。
(1) 可以采用如下的函數把當前SDK支持的語音填充在一個組合框中：
// SAPI5 helper function in sphelper.h
HWND hWndCombo = GetDlgItem( hWnd, IDC_COMBO_VOICES ); //組合框句柄
HRESULT hr = SpInitTokenComboBox( hWndCombo , SPCAT_VOICES );
這個函數是通過IEnumSpObjectTokens接口枚舉當前可用的語音接口，把接口的說明文字添加到組合框中，並且把接口的指針作為LPARAM
保存在組合框中。
一定要記住最後程序退出的時候，釋放組合框中保存的接口：
SpDestroyTokenComboBox( hWndCombo );
這個函數的原理就是逐個取得combo裏面每一項的LPARAM數據，轉換成IUnknown接口指針，然後調用Release函數。
(2) 當組合框選擇變化的時候，可以用下面的函數獲取用戶選擇的語音：
ISpObjectToken* pToken = SpGetCurSelComboBoxToken( hWndCombo );
(3) 用下面的函數獲取當前正在使用的語音：
CComPtr<ISpObjectToken> pOldToken;
HRESULT hr = m_cpVoice->GetVoice( &pOldToken );
(4) 當用戶選擇的語音和當前正在使用的不一致的時候，用下面的函數修改：
if (pOldToken != pToken)
{
// 首先結束當前的朗讀，這個不是必須的。
HRESULT hr = m_cpVoice->Speak( NULL, SPF_PURGEBEFORESPEAK, 0);
if (SUCCEEDED (hr) )
{
hr = m_cpVoice->SetVoice( pToken );
}
}
(5) 也可以直接使用函數SpGetTokenFromId獲取指定voice的Token指針，例如：
WCHAR pszTokenId[] = L"HKEY_LOCAL_MACHINE//Software//Microsoft//Speech//Voices//Tokens//MSSimplifiedChineseVoice";
SpGetTokenFromId(pszTokenID , &pChineseToken);
4、開始/暫停/恢復/結束當前的朗讀
要朗讀的文字必須位於寬字符串中，假設位於szWTextString中，則：
開始朗讀的代碼：
hr = m_cpVoice->Speak( szWTextString, SPF_ASYNC | SPF_IS_NOT_XML, 0 );
如果要解讀一個XML文本，用：
hr = m_cpVoice->Speak( szWTextString, SPF_ASYNC | SPF_IS_XML, 0 );
暫停的代碼： m_cpVoice->Pause();
恢復的代碼： m_cpVoice->Resume();
結束的代碼：（上面的例子中已經給出了）
hr = m_cpVoice->Speak( NULL, SPF_PURGEBEFORESPEAK, 0);
5、跳過部分朗讀的文字
在朗讀的過程中，可以跳過部分文字繼續後面的朗讀，代碼如下：
ULONG ulGarbage = 0;
WCHAR szGarbage[] = L"Sentence";
hr = m_cpVoice->Skip( szGarbage, SkipNum, &ulGarbage );
SkipNum是設置要跳過的句子數量，值可以是正/負。
根據sdk的說明，目前SAPI僅僅支持SENTENCE這個類型。SAPI是通過標點符號來區分句子的。
6、播放WAV文件。SAPI可以播放WAV文件，這是通過ISpStream接口實現的：
CComPtr<ISpStream> cpWavStream;
WCHAR szwWavFileName[NORM_SIZE] = L"";;
USES_CONVERSION;
wcscpy( szwWavFileName, T2W( szAFileName ) );//從ANSI將WAV文件的名字轉換成寬字符串
//使用sphelper.h 提供的這個函數打開 wav 文件，並得到一個 IStream 指針
hr = SPBindToFile( szwWavFileName, SPFM_OPEN_READONLY, &cpWavStream );
if( SUCCEEDED( hr ) )
{
m_cpVoice->SpeakStream( cpWavStream, SPF_ASYNC, NULL );//播放WAV文件
}
7、將朗讀的結果保存到wav文件
TCHAR szFileName[256];//假設這裏面保存著目標文件的路徑
USES_CONVERSION;
WCHAR m_szWFileName[MAX_FILE_PATH];
wcscpy( m_szWFileName, T2W(szFileName) );//轉換成寬字符串
//創建一個輸出流，綁定到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中提供的函數創建 wav 文件
if (SUCCEEDED(hr))
{
hr = SPBindToFile( m_szWFileName, SPFM_CREATE_ALWAYS, &cpWavStream,
&OriginalFmt.FormatId(), OriginalFmt.WaveFormatExPtr() );
}
if( SUCCEEDED( hr ) )
{
//設置聲音的輸出到 wav 文件，而不是 speakers
m_cpVoice->SetOutput(cpWavStream, TRUE);
}
//開始朗讀
m_cpVoice->Speak( szWTextString, SPF_ASYNC | SPF_IS_NOT_XML, 0 );
//等待朗讀結束
m_cpVoice->WaitUntilDone( INFINITE );
cpWavStream.Release();
//把輸出重新定位到原來的流
m_cpVoice->SetOutput( cpOldStream, FALSE );
8、設置朗讀音量和速度
m_cpVoice->SetVolume((USHORT)hpos); //設置音量，範圍是 0 - 100
m_cpVoice->SetRate(hpos); //設置速度，範圍是 -10 - 10
hpos的值一般位於
9、設置SAPI通知消息。SAPI在朗讀的過程中，會給指定窗口發送消息，窗口收到消息後，可以主動獲取SAPI的事件，
根據事件的不同，用戶可以得到當前SAPI的一些信息，比如正在朗讀的單詞的位置，當前的朗讀口型值（用於顯
示動畫口型，中文語音的情況下並不提供這個事件）等等。
要獲取SAPI的通知，首先要註冊一個消息：
m_cpVoice->SetNotifyWindowMessage( hWnd, WM_TTSAPPCUSTOMEVENT, 0, 0 );
這個代碼一般是在主窗口初始化的時候調用，hWnd是主窗口（或者接收消息的窗口）句柄。WM_TTSAPPCUSTOMEVENT
是用戶自定義消息。
在窗口響應WM_TTSAPPCUSTOMEVENT消息的函數中，通過如下代碼獲取sapi的通知事件：
CSpEvent event; // 使用這個類，比用 SPEVENT結構更方便
while( event.GetFrom(m_cpVoice) == S_OK )
{
switch( event.eEventId )
{
。。。
}
}
eEventID有很多種，比如SPEI_START_INPUT_STREAM表示開始朗讀，SPEI_END_INPUT_STREAM表示朗讀結束等。
可以根據需要進行判斷使用。
需要的留下Email,我給大家發
再分享一下我老師大神的人工智能教程吧。零基礎！通俗易懂！風趣幽默！還帶黃段子！希望你也加入到我們人工智能的隊伍中來！https://blog.csdn.net/jiangjunshow
微軟語音技術 Windows 語音編程初步