SAPI

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。

首先下載開發包

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。

版本説明：

Version: 5.1

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佈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。

******下載説明******：

（1）如果要下載例子程序，説明文檔，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佈語音引擎，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説明，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。

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。

即使用SAPI實現TTS(Text to Speech)。

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 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。

SAPI朗讀文字的時候，可以採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 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

3 通過如下代碼設置當前朗讀頻率

：

CComPtr 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 );

}

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) 可以採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，把接口的説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户選擇的語音：

ISpObjectToken* pToken = SpGetCurSelComboBoxToken( hWndCombo );

(3) 用下面的函數獲取當前正在使用的語音：

CComPtr pOldToken;

HRESULT hr = m_cpVoice->GetVoice( &pOldToken );

(4) 當用户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);

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);

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的説明，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 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

}

TCHAR szFileName[256];//假設這裏面保存着目標文件的路徑

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 cpWavStream;

CComPtr 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 );

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

。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，用户可以得到當前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

是用户自定義消息。

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。

C#調用SAPI實現語音合成的兩種方法：

我們都知道現在的語音合成TTS是可以通過微軟的SAPI實現的，好處我就不多説了，方便而已，因為在微軟的操作系統裏面就自帶了這個玩意，主要的方式有兩種：

1、使用COM組件技術，不管是C++，C#,Delphi都能玩的轉，開發出來的東西在XP和WIN7都能跑。（要引入SpeechLib，好像在項目上點引用，然後選到系統COM吧，好久沒弄，記不清楚了）

2、使用WIN7的windows api，其實最終還是調用了SAPI，所以開發出來的東西就只能在WIN7上面跑。

其實不管是哪一種，都是調用SAPI，可能後一種代碼比較簡單，使用已經安裝的TTS引擎，現在一般用NeoSpeech，這個就不解釋了，太強大了這個發音。。。

COM組件技術：

C#代碼

public class Speach

{

private static Speach _Instance = null ;

private SpeechLib.SpVoiceClass voice =null; //SAPI5.1

private SpeechLib.SpVoice voice = null;//SAPI 5.4

private Speach()

{

BuildSpeach() ;

}

public static Speach instance()

{

if (_Instance == null)

_Instance = new Speach() ;

return _Instance ;

}

private void SetChinaVoice()

{

voice.Voice = voice.GetVoices(string.Empty,string.Empty).Item(0) ;

}

private void SetEnglishVoice()

{

voice.Voice = voice.GetVoices(string.Empty,string.Empty).Item(1) ;

}

private void SpeakChina(string strSpeak)

{

SetChinaVoice() ;

Speak(strSpeak) ;

}

private void SpeakEnglishi(string strSpeak)

{

SetEnglishVoice() ;

Speak(strSpeak) ;

}

public void AnalyseSpeak(string strSpeak)

{

int iCbeg = 0 ;

int iEbeg = 0 ;

bool IsChina = true ;

for(int i=0;i<strSpeak.Length;i++)

{

char chr = strSpeak[i] ;

if (IsChina)

{

if (chr<=122&&chr>=65)

{

int iLen = i - iCbeg ;

string strValue = strSpeak.Substring(iCbeg,iLen) ;

SpeakChina(strValue) ;

iEbeg = i ;

IsChina = false ;

}

}

else

{

if (chr>122||chr<65)

{

int iLen = i - iEbeg ;

string strValue = strSpeak.Substring(iEbeg,iLen) ;

this.SpeakEnglishi(strValue) ;

iCbeg = i ;

IsChina = true ;

}

}

}//end for

if (IsChina)

{

int iLen = strSpeak.Length - iCbeg ;

string strValue = strSpeak.Substring(iCbeg,iLen) ;

SpeakChina(strValue) ;

}

else

{

int iLen = strSpeak.Length - iEbeg ;

string strValue = strSpeak.Substring(iEbeg,iLen) ;

SpeakEnglishi(strValue) ;

}

}

private void BuildSpeach()

{

if (voice == null)

voice = new SpVoiceClass() ;

}

public int Volume

{

get

{

return voice.Volume ;

}

set

{

voice.SetVolume((ushort)(value)) ;

}

}

public int Rate

{

get

{

return voice.Rate ;

}

set

{

voice.SetRate(value) ;

}

}

private void Speak(string strSpeack)

{

try

{

voice.Speak(strSpeack,SpeechVoiceSpeakFlags.SVSFlagsAsync) ;

}

catch(Exception err)

{

throw(new Exception("發生一個錯誤："+err.Message)) ;

}

}

public void Stop()

{

voice.Speak(string.Empty,SpeechLib.SpeechVoiceSpeakFlags.SVSFPurgeBeforeSpeak) ;

}

public void Pause()

{

voice.Pause() ;

}

public void Continue()

{

voice.Resume() ;

}

}//end class

在 private SpeechLib.SpVoiceClass voice =null;這裏，我們定義個一個用來發音的類，並且在第一次調用該類時，對它用BuildSpeach方法進行了初始化。

我們還定義了兩個屬性Volume和Rate，能夠設置音量和語速。

我們知道，SpVoiceClass 有一個Speak方法，我們發音主要就是給他傳遞一個字符串，它負責讀出該字符串，如下所示。

C#代碼

private void Speak(string strSpeack)

{

try

{

voice.Speak(strSpeack,SpeechVoiceSpeakFlags.SVSFlagsAsync) ;

}

catch(Exception err)

{

throw(new Exception("發生一個錯誤："+err.Message)) ;

}

}

第二種使用.NET類庫和系統API的代碼如下：

C#代碼

using System;

using System.Collections.Generic;

using System.Linq;

using System.Text;

using System.Speech.Synthesis;

using System.Speech;

namespace StudyBeta

{

public class SRead

{

public SpeechSynthesizer synth; //語音合成對象

public SRead()

{

synth = new SpeechSynthesizer();

}

public SRead(int m, int n)

{

//使用 synth 設置朗讀音量 [範圍 0 ~ 100]

synth.Volume = m;

//使用 synth 設置朗讀頻率 [範圍 -10 ~ 10]

synth.Rate = n;

}

public void SpeakChina(string ggg)

{

//SpVoice Voice = new SpVoice();

synth.SelectVoice("Microsoft Lili");

//Voice.Speak(ggg, SpFlags);

synth.SpeakAsync(ggg);

//String speechPeople = synth.Voice;

//使用 synth 設置朗讀音量 [範圍 0 ~ 100]

// synth.Volume = 80;

//使用 synth 設置朗讀頻率 [範圍 -10 ~ 10]

// synth.Rate = 0;

//使用synth 合成 wav 音頻文件:

//synth.SetOutputToWaveFile(string path);

}

public void SpeakEnglish(string ggg)

{

//SpVoice Voice = new SpVoice();

synth.SelectVoice("VW Julie");

synth.Speak(ggg); //ggg為要合成的內容

}

public int m

{

get

{

return synth.Volume;

}

set

{

synth.Volume = value;

}

}

public int n

{

get

{

return synth.Rate;

}

set

{

synth.Rate = value;

}

}

}

SAPI的功能很多，比如語音識別、使用語法分析等，由於條件和精力有限，我未能一一嘗試，感興趣的朋友可以自己安裝一個研究一下。