关于Microsoft Speech SDK 中TTS的研究

 

关于Microsoft Speech SDK 中TTS的研究

 

 

【摘要】本文介绍了利用Microsoft Speech SDK 5.1中的text-to-speech（TTS），采用C#作为开发语言，Visual Studio 2005作为开发工具，实现了普通中英文混合文本的朗读，和带XML标记的文本的朗读，并且可将朗读出来的内容保存为文件。

 

【关键字】Speech SDK，TTS，text-to-speech，朗读

 

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);

        }