📄 vc.htm
字号:
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">
<html><!-- InstanceBegin template="/Templates/1.dwt" codeOutsideHTMLIsLocked="false" -->
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
<!-- InstanceBeginEditable name="doctitle" -->
<title>VC编程实现文本语音转换</title>
<!-- InstanceEndEditable --> <!-- InstanceBeginEditable name="head" --><!-- InstanceEndEditable -->
<link href="Templates/1.css" rel="stylesheet" type="text/css">
</head>
<body background="Templates/bg02.gif" leftmargin="10" topmargin="10" marginwidth="10" marginheight="10">
<img src="Templates/vBulletin_logo.gif" width="280" height="105">
<table width="80%" border="0">
<tr>
<td background="Templates/bg1.gif"><!-- InstanceBeginEditable name="EditRegion1" --><FONT
class=f22><B>VC编程实现文本语音转换</B></FONT><!-- InstanceEndEditable --></td>
</tr>
<tr>
<td bgcolor="#F1F1F1"><!-- InstanceBeginEditable name="EditRegion2" --> <B><span class="f14">内容简介</span></B><BR>
<BR>
文本语音（Text-to-Speech，以下简称TTS），它的作用就是把通过TTS引擎把文本转化为语音输出。本文不是讲述如何建立自己的TTS引擎，而是简单介绍如何运用Microsoft
Speech SDK 建立自己的文本语音转换应用程序。 <BR>
<BR>
<B><span class="f14">Microsoft Speech SDK简介</span></B><BR>
<BR>
Microsoft Speech SDK是微软提供的软件开发包，提供的Speech API （SAPI）主要包含两大方面： <BR>
<BR>
1． API for Text-to-Speech <BR>
<BR>
2． API for Speech Recognition <BR>
<BR>
其中API for Text-to-Speech，就是微软TTS引擎的接口，通过它我们可以很容易地建立功能强大的文本语音程序，金山词霸的单词朗读功能就用到了这写API，而目前几乎所有的文本朗读工具都是用这个SDK开发的。至于API
for Speech Recognition就是与TTS相对应的语音识别，语音技术是一种令人振奋的技术，但由于目前语音识别技术准确度和识别速度不太理想，还未达到广泛应用的要求。<BR>
<BR>
Microsoft Speech SDK可以在微软的网站免费下载，目前的版本是5.1，为了支持中文，还要把附加的语言包（LangPack）一起下载。<BR>
<BR>
为了在VC中使用这SDK，必需在工程中添加SDK的include和lib目录，为免每个工程都添加目录，最好的办法是在VC的<BR>
<BR>
Option-＞Directoris立加上SDK的include和lib目录。<BR>
<BR>
<B><span class="f14">一个最简单的例子</span></B><BR>
<BR>
先看一个入门的例子：<BR>
<BR>
<TABLE width="100%" bgColor=#ffffff>
<TBODY>
<TR>
<TD height=17><span class="f14">#include ＜sapi.h＞<BR>
<BR>
#pragma comment(lib,"ole32.lib") //CoInitialize CoCreateInstance需要调用ole32.dll<BR>
#pragma comment(lib,"sapi.lib") //sapi.lib在SDK的lib目录,必需正确配置<BR>
int main(int argc, char* argv[])<BR>
{<BR>
ISpVoice * pVoice = NULL;<BR>
<BR>
//COM初始化：<BR>
if (FAILED(::CoInitialize(NULL)))<BR>
return FALSE;<BR>
<BR>
//获取ISpVoice接口：<BR>
HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL, IID_ISpVoice,
(void **)&pVoice);<BR>
if( SUCCEEDED( hr ) )<BR>
{<BR>
hr = pVoice-＞Speak(L"Hello world", 0, NULL);<BR>
pVoice-＞Release();<BR>
pVoice = NULL;<BR>
}<BR>
<BR>
//千万不要忘记：<BR>
::CoUninitialize(); <BR>
return TRUE;<BR>
}<BR>
</span></TD>
</TR>
</TBODY>
</TABLE>
<BR>
短短20几行代码就实现了文本语音转换，够神奇吧。SDK提供的SAPI是基于COM封装的，无论你是否熟悉COM，只要按部就班地用CoInitialize()，
CoCreateInstance()获取IspVoice接口就够了，需要注意的是初始化COM后，程序结束前一定要用CoUninitialize()释放资源。
<IFRAME src="about:blank" frameBorder=0 width=578 scrolling=no
height=62></IFRAME>
<BR>
<BR>
<B><span class="f14">IspVoice接口主要函数</span></B><BR>
<BR>
上述程序的流程是获取IspVoice接口，然后用ISpVoice::Speak（）把文本输出为语音，可见，程序的核心就是IspVoice接口。除了Speak外IspVoice接口还有许多成员函数，具体用法请参考SDK的文档。下面择要说一下几个主要函数的用法：
HRESULT Speak(const WCHAR *pwcs,DWORD dwFlags,ULONG *pulStreamNumber); <BR>
<BR>
功能：就是speak了<BR>
<BR>
参数：<BR>
<BR>
*pwcs 输入的文本字符串，必需为Unicode，如果是ansi字符串必需先转换为Unicode。<BR>
<BR>
dwFlags 用来标志Speak的方式，其中SPF_IS_XML 表示输入文本含有XML标签，这个下文会讲到。<BR>
<BR>
PulStreamNumber 输出，用来获取去当前文本输入的等候播放队列的位置，只有在异步模式才有用。 <BR>
<BR>
HRESULT Pause ( void );<BR>
HRESULT Resume ( void );<BR>
<BR>
功能：一看就知道了。<BR>
<BR>
HRESULT SetRate(long RateAdjust );<BR>
HRESULT GetRate(long *pRateAdjust);<BR>
<BR>
功能：设置/获取播放速度，范围：-10 to 10<BR>
<BR>
HRESULT SetVolume(USHORT usVolume);<BR>
HRESULT GetVolume(USHORT *pusVolume);<BR>
<BR>
功能：设置/获取播放音量，范围：0 to 100<BR>
<BR>
HRESULT SetSyncSpeakTimeout(ULONG msTimeout);<BR>
HRESULT GetSyncSpeakTimeout(ULONG *pmsTimeout);<BR>
<BR>
功能：设置/获取同步超时时间。由于在同步模式中，电泳Speak后程序就会进入阻塞状态等待Speak返回，为免程序长时间没相应，应该设置超时时间，msTimeout单位为毫秒。<BR>
<BR>
HRESULT SetOutput(IUnknown *pUnkOutput,BOOL fAllowFormatChanges);<BR>
<BR>
功能：设置输出，下文会讲到用SetOutput把Speak输出问WAV文件。 <BR>
<BR>
这些函数的返回类型都是HRESULT，如果成功则返回S_OK，错误有各自不同的错误码。<BR>
<BR>
<B><span class="f14">使用XML</span></B><BR>
<BR>
个人认为这个TTS api功能最强大之处在于能够分析XML标签，通过XML标签设置音量、音调、延长、停顿，几乎可以使输出达到自然语音效果。前面已经提过，把Speak参数dwFlags设为SPF_IS_XML,TTS引擎就会分析XML文本，输入文本并不需要严格遵守W3C的标准，只要含有XML标签就行了，下面举个例子：
……<BR>
<BR>
<TABLE width="100%" bgColor=#ffffff>
<TBODY>
<TR>
<TD><span class="f14">pVoice-＞Speak(L"＜VOICE REQUIRED=''NAME=Microsoft
Mary''/＞volume＜VOLUME LEVEL=''100''＞turn up＜/VOLUME＞", SPF_IS_XML,
NULL);<BR>
……<BR>
＜VOICE REQUIRED=''NAME=Microsoft Mary''/＞</span></TD>
</TR>
</TBODY>
</TABLE>
<BR>
标签把声音设为Microsoft Mary，英文版SDK中一共含有3种声音，另外两种是Microsoft Sam和Microsoft Mike。
……<BR>
<BR>
＜VOLUME LEVEL=''100''＞ <BR>
<BR>
把音量设为100，音量范围是0～100。 <BR>
<BR>
另外：标志音调（-10～10）： ＜PITCH MIDDLE="10"＞text＜/PITCH＞ <BR>
<BR>
注意：" 号在C/C++中前面要加 \ ，否则会出错。 <BR>
<BR>
标志语速（-10～10）： ＜RATE SPEED="-10"＞text＜/RATE＞<BR>
<BR>
逐个字母读： ＜SPELL＞text＜/SPELL＞<BR>
<BR>
强调： ＜EMPH＞text＜/EMPH＞<BR>
<BR>
停顿200毫秒（最长为65,536毫秒）： ＜SILENCE MSEC="200" /＞<BR>
<BR>
控制发音： ＜PRON SYM = ''h eh - l ow 1''/＞<BR>
<BR>
这个标签的功能比较强，重点讲一下：所有的语言发音都是由基本的音素组成，拿中文发音来说，拼音是组成发音的最基本的元素，只要知道汉字的拼音，即使不知道怎么写，我们可知道这个字怎么都，对于TTS引擎来说，它不一定认识所有字，但是你把拼音对应的符号（SYM）给它，它就一定能够读出来，而英语发音则可以用音标表示，''h
eh - l ow 1''就是hello这个单词对应的语素。至于发音与符号SYM具体对应关系请看SDK文档中的Phoneme Table。<BR>
<BR>
再另外，数字、日期、时间的读法也有一套规则，SDK中有详细的说明，这里不说了（懒得翻译了），下面随便抛个例子： ＜context ID =
"date_ ymd"＞1999.12.21＜/context＞ <BR>
<BR>
会读成 "December twenty first nineteen ninety nine"<BR>
<BR>
XML标签可以嵌套使用，但是一定要遵守XML标准。XML标签确实好用，效果也不错，但是……缺点：一个字―――"烦"，如果给一大段文字加标签，简直痛不欲生。<BR>
<BR>
把文本语音输出为WAV文件 #include ＜sapi.h＞<BR>
<BR>
<TABLE width="100%" bgColor=#ffffff>
<TBODY>
<TR>
<TD><span class="f14">#include ＜sphelper.h＞<BR>
<BR>
#pragma comment(lib,"ole32.lib")<BR>
#pragma comment(lib,"sapi.lib")<BR>
<BR>
int main(int argc, char* argv[])<BR>
{<BR>
ISpVoice * pVoice = NULL;<BR>
if (FAILED(::CoInitialize(NULL)))<BR>
return FALSE;<BR>
<BR>
HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL, <BR>
IID_ISpVoice, (void **)&pVoice);<BR>
if( SUCCEEDED( hr ) )<BR>
{<BR>
CComPtr＜ISpStream＞ cpWavStream;<BR>
CComPtr＜ISpStreamFormat＞ cpOldStream;<BR>
CSpStreamFormat OriginalFmt;<BR>
pVoice-＞GetOutputStream( &cpOldStream );<BR>
OriginalFmt.AssignFormat(cpOldStream);<BR>
hr = SPBindToFile( L"D:\\output.wav",SPFM_CREATE_ALWAYS,<BR>
&cpWavStream,&OriginalFmt.FormatId(),<BR>
OriginalFmt.WaveFormatExPtr() );<BR>
if( SUCCEEDED( hr ) )<BR>
{<BR>
pVoice-＞SetOutput(cpWavStream,TRUE);<BR>
WCHAR WTX[] = L"＜VOICE REQUIRED=''NAME=Microsoft Mary''/＞text to
wave";<BR>
pVoice-＞Speak(WTX, SPF_IS_XML, NULL);<BR>
pVoice-＞Release();<BR>
pVoice = NULL;<BR>
}<BR>
}<BR>
<BR>
::CoUninitialize(); <BR>
return TRUE;<BR>
}</span></TD>
</TR>
</TBODY>
</TABLE>
<BR>
SPBindToFile把文件绑定到输出流上，而SetOutput把输出设为绑定文件的流上。<BR>
<BR>
<B><span class="f14">最后</span></B><BR>
<BR>
看完本文后，是不是觉得很简单，微软把强大的功能封装的太好了。其实SDK中另外一个API，SR（语音识别）更有趣，有兴趣不妨试试，你会有意外的收获的。<!-- InstanceEndEditable --></td>
</tr>
</table>
</body>
<!-- InstanceEnd --></html>
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -