使用微软Speech SDK 5.1（SAPI 5.1）语音开发包介绍

微软语音识别分两种模式:文本识别模式和命令识别模式.此两种模式的主要区别,主要在于识别过程中使用的匹配字典不同.前者使用的是通用字典,特点是内容多,覆盖的词汇量大,字典由sdk提供.适用于没有预定目标的随机听写之类的应用.同时因为词汇量大直接导致识别的精度降低,识别速度较慢.后者的字典需要 开发者自己编写,就是你们所说的xml文件.xml文件作为一种数据存储的方式,有一定的格式,定义了sdk需要确定的一些标签,和用以匹配的词汇.这种方式由开发者定义词汇的数量,大大降低匹配过程中需要检索的词汇量,提高了识别速度.同时因为侯选项极少,所以一般不会识别错误.其缺点也是明显的:词汇量小,只有预先输入字典的词汇可以被识别出来,所以一般用来作为常用命令的识别,方便用户操作,代替菜单命令等. 

利用微软Speech SDK 5.1在MFC中进行语音识别开发时的主要步骤，以Speech API 5.1+VC6为例： 

1、初始化COM端口 
一般在CWinApp的子类中，调用CoInitializeEx函数进行COM初始化，代码如下： 
::CoInitializeEx(NULL,COINIT_APARTMENTTHREADED); // 初始化COM 
注意：调用这个函数时，要在工程设置（project settings）->C/C++标签,Category中选Preprocessor，在Preprocessor definitions:下的文本框中加上“,_WIN32_DCOM”。否则编译不能通过。 

2、创建识别引擎 
微软Speech SDK 5.1 支持两种模式的：共享（Share）和独享（InProc）。一般情况下可以使用共享型，大的服务型程序使用InProc。如下： 
hr = m_cpRecognizer.CoCreateInstance(CLSID_SpSharedRecognizer);//Share 
hr = m_cpRecognizer.CoCreateInstance(CLSID_SpInprocRecognizer);//InProc 
如果是Share型，可直接进到步骤3；如果是InProc型，必须使用 ISpRecognizer::SetInput 设置语音输入。如下： 
CComPtr<ISpObjectToken> cpAudioToken;   //定义一个token 
hr = SpGetDefaultTokenFromCategoryId(SPCAT_AUDIOIN, &cpAudioToken); //建立默认的音频输入对象 
if (SUCCEEDED(hr)) { hr = m_cpRecognizer->SetInput(cpAudioToken, TRUE);} 
或者： 
CComPtr<ISpAudio> cpAudio;   //定义一个音频对象 
hr = SpCreateDefaultObjectFromCategoryId(SPCAT_AUDIOIN, &cpAudio);//建立默认的音频输入对象 
hr = m_cpRecoEngine->SetInput(cpAudio, TRUE);//设置识别引擎输入源 

3、创建识别上下文接口 
调用 ISpRecognizer::CreateRecoContext 创建识别上下文接口（ISpRecoContext），如下： 
hr = m_cpRecoEngine->CreateRecoContext( &m_cpRecoCtxt ); 

4、设置识别消息 
调用 SetNotifyWindowMessage 告诉Windows哪个是我们的识别消息，需要进行处理。如下： 
hr = m_cpRecoCtxt->SetNotifyWindowMessage(m_hWnd, WM_RECOEVENT, 0, 0); 
SetNotifyWindowMessage 定义在 ISpNotifySource 中。 

5、设置我们感兴趣的事件 
其中最重要的事件是”SPEI_RECOGNITION“。参照 SPEVENTENUM。代码如下： 
const ULONGLONG ullInterest = SPFEI(SPEI_SOUND_START) | SPFEI(SPEI_SOUND_END) | SPFEI(SPEI_RECOGNITION) ; 
hr = m_cpRecoCtxt->SetInterest(ullInterest, ullInterest); 

6、创建语法规则 
语法规则是识别的灵魂，必须要设置。分为两种，一种是听说式（dictation），一种是命令式（command and control---C&C）。首先 利用ISpRecoContext::CreateGrammar 创建语法对象，然后加载不同的语法规则，如下： 

//dictation 
hr = m_cpRecoCtxt->CreateGrammar( GIDDICTATION, &m_cpDictationGrammar ); 
if   (SUCCEEDED(hr)) 
{ 
hr = m_cpDictationGrammar->LoadDictation(NULL, SPLO_STATIC);//加载词典 
} 

//C&C 
hr = m_cpRecoCtxt->CreateGrammar( GIDCMDCTRL, &m_cpCmdGrammar); 
然后利用ISpRecoGrammar::LoadCmdxxx 加载语法，例如从CmdCtrl.xml中加载： 
WCHAR wszXMLFile[20]=L""; 
MultiByteToWideChar(CP_ACP, 0, (LPCSTR)"CmdCtrl.xml"   , -1, wszXMLFile, 256);//ANSI转UNINCODE 
hr = m_cpCmdGrammar->LoadCmdFromFile(wszXMLFile,SPLO_DYNAMIC); 
注意：C&C时，语法文件使用xml格式，参见Speech SDK 5.1 中的 Designing Grammar Rules。简单例子： 
<GRAMMAR LANGID="804"> 
    <DEFINE> 
       <ID NAME="CMD" VAL="10"/> 
    </DEFINE> 
    <RULE NAME="COMMAND" ID="CMD" TOPLEVEL="ACTIVE"> 
      <L> 
<p>你</P> 
<p>我</p> 
<p>他</p> 
      </L> 
    </RULE> 
</GRAMMAR> 
LANGI*="804"代表简体中文，在<*>...</*>中增加命令。 

7、在开始识别时，激活语法进行识别 
hr = m_cpDictationGrammar->SetDictationState( SPRS_ACTIVE );//dictation 
hr = m_cpCmdGrammar->SetRuleState( NULL,NULL,SPRS_ACTIVE );//C&C 

8、获取识别消息，进行处理 
截获识别消息（WM_RECOEVENT），然后处理。识别的结果放在CSpEvent的ISpRecoResult 中。如下： 

USES_CONVERSION; 
CSpEvent event; 

switch (event.eEventId) 
{ 
         case SPEI_RECOGNITION: 
{ 
//识别出了语音输入 
m_bGotReco = TRUE; 
static const WCHAR wszUnrecognized[] = L"<Unrecognized>"; 

CSpDynamicString dstrText; 

//取得识别结果 
if (FAILED(event.RecoResult()->GetText(SP_GETWHOLEPHRASE, SP_GETWHOLEPHRASE, TRUE ,&dstrText, NULL))) 
{ 
dstrText = wszUnrecognized; 
} 

BSTR SRout; 
dstrText.CopyToBSTR(&SRout); 

CString Recstring; 
Recstring.Empty(); 
Recstring = SRout; 

//进一步处理 
...... 
} 
break; 
} 

9、释放创建的引擎、识别上下文对象、语法等。调用相应的Release函数即可。 

至此最简单的识别就完成了。