文本语音转换入门
作者：Suyu
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。
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：
1． API for Text-to-Speech
2． API for Speech Recognition
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。
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。
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
Option->Directoris立加上SDK的include和lib目录。
先看一个入门的例子：
#include <sapi.h>
#pragma comment(lib,"ole32.lib") //CoInitialize CoCreateInstance需要调用ole32.dll
#pragma comment(lib,"sapi.lib") //sapi.lib在SDK的lib目录,必需正确配置
int main(int argc, char* argv[])
{
ISpVoice * pVoice = NULL;
//COM初始化：
if (FAILED(::CoInitialize(NULL)))
return FALSE;
//获取ISpVoice接口：
HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL, IID_ISpVoice, (void **)&pVoice);
if( SUCCEEDED( hr ) )
{
hr = pVoice->Speak(L"Hello world", 0, NULL);
pVoice->Release();
pVoice = NULL;
}
//千万不要忘记：
::CoUninitialize();
return TRUE;
}
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。
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);
功能：就是speak了
参数：
*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。
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。
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。
HRESULT Pause ( void );
HRESULT Resume ( void );
功能：一看就知道了。
HRESULT SetRate(long RateAdjust );
HRESULT GetRate(long *pRateAdjust);
功能：设置/获取播放速度，范围：-10 to 10
HRESULT SetVolume(USHORT usVolume);
HRESULT GetVolume(USHORT *pusVolume);
功能：设置/获取播放音量，范围：0 to 100
HRESULT SetSyncSpeakTimeout(ULONG msTimeout);
HRESULT GetSyncSpeakTimeout(ULONG *pmsTimeout);
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。
HRESULT SetOutput(IUnknown *pUnkOutput,BOOL fAllowFormatChanges);
功能：设置输出，下文会讲到用SetOutput把Speak输出问WAV文件。
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。
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：
……
pVoice->Speak(L"<VOICE REQUIRED=''NAME=Microsoft Mary''/>volume<VOLUME LEVEL=''100''>turn up</VOLUME>", SPF_IS_XML, NULL);
……
<VOICE REQUIRED=''NAME=Microsoft Mary''/>
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。
……
<VOLUME LEVEL=''100''> 把音量设为100，音量范围是0～100。
另外：
标志音调（-10～10）：
<PITCH MIDDLE="10">text</PITCH>
注意：" 号在C/C++中前面要加 \ ，否则会出错。
标志语速（-10～10）：
<RATE SPEED="-10">text</RATE>
逐个字母读：
<SPELL>text</SPELL>
强调：
<EMPH>text</EMPH>
停顿200毫秒（最长为65,536毫秒）：
<SILENCE MSEC="200" />
控制发音：
<PRON SYM = ''h eh - l ow 1''/>
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。
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>
会读成
"December twenty first nineteen ninety nine"
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。
#include <sapi.h>
#include <sphelper.h>
#pragma comment(lib,"ole32.lib")
#pragma comment(lib,"sapi.lib")
int main(int argc, char* argv[])
{
ISpVoice * pVoice = NULL;
if (FAILED(::CoInitialize(NULL)))
return FALSE;
HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL,
IID_ISpVoice, (void **)&pVoice);
if( SUCCEEDED( hr ) )
{
CComPtr<ISpStream>cpWavStream;
CComPtr<ISpStreamFormat>cpOldStream;
CSpStreamFormat OriginalFmt;
pVoice->GetOutputStream( &cpOldStream );
OriginalFmt.AssignFormat(cpOldStream);
hr = SPBindToFile( L"D:\\output.wav",SPFM_CREATE_ALWAYS,
&cpWavStream,&OriginalFmt.FormatId(),
OriginalFmt.WaveFormatExPtr() );
if( SUCCEEDED( hr ) )
{
pVoice->SetOutput(cpWavStream,TRUE);
WCHAR WTX[] = L"<VOICE REQUIRED=''NAME=Microsoft Mary''/>text to wave";
pVoice->Speak(WTX, SPF_IS_XML, NULL);
pVoice->Release();
pVoice = NULL;
}
}
::CoUninitialize();
return TRUE;
}
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。
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。
