使用微软TTS语音引擎实现文本朗读
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/byxdaz/article/details/78443954
TTS（Text-To-Speech）是指文本语音的简称,即通过TTS引擎把文本转化为语音输出。TTS语音引擎有微软TTS语音引擎、科大讯飞语音引擎等。科大讯飞tts sdk参考这个页面http://www.xfyun.cn/sdk/dispatcher
文本主要介绍如何使用微软TTS语音引擎实现文本朗读，以及生成wav格式的声音文件。
1、语音引擎及语音库的安装
微软TTS语音引擎提供了Windows Speech SDK开发包供编程者使用。Windows Speech SDK包含语音合成SS引擎和语音识别SR引擎两种，语音合成引擎用于将文字转换成语音输出，语音识别引擎用于识别语音命令。
Windows Speech SDK可以在微软的官网上免费下载，下载地址为：http://www.microsoft.com/download/en/details.aspx?id=10121
在该下载界面中，选择下载SpeechSDK51.exe、SpeechSDK51LangPach.exe和sapi.chm 即可。
| SpeechSDK51.exe | 语音合成引擎 |
| SpeechSDK51LangPach.exe | 语音库，支持日语和简体中文需要这个支持。 |
| sapi.chm | 帮助文档 |
| speechsdk51MSM.exe | 语音引擎集成到你的产品跟产品一起发布。解压出来三个文件夹1033、1041和2052。其中，1033下主要是用于英文的TTS和SR的.msm文件，1041下主要是用于日文SR的.msm文件，2052下是用于中文TTS和SR的msm文件。 |
| Sp5TTintXP.exe | XP下Mike和Mary语音。 |
下载完成后，先安装语音引擎SpeechSDK51.exe，再安装中文语音库SpeechSDK51LangPach.exe。
目前最常用的Windows Speech SDK版本有三种：5.1、5.3和5.4。
Windows Speech SDK 5.1版本支持xp系统和server 2003系统，需要下载安装。XP系统默认只带了个Microsoft Sam英文男声语音库，想要中文引擎就需要安装Windows Speech SDK 5.1。
Windows Speech SDK 5.3版本支持Vista系统和Server 2008系统，已经集成到系统里。Vista和Server 2003默认带Microsoft lili中文女声语音库和Microsoft Anna英文女声语音库。
Windows Speech SDK 5.4版本支持Windows7系统，也已经集成到系统里，不需要下载安装。Win7系统同样带了Microsoft lili中文女声语音库和Microsoft Anna英文女声语音库。Microsoft lili支持中英文混读。
2、SAPI接口的使用说明
1）、基本朗读过程的实现
在使用语音引擎之前进行初始化：
ISpVoice *pSpVoice; // 重要COM接口 ::CoInitialize(NULL); // COM初始化 // 获取ISpVoice接口 CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_INPROC_SERVER, IID_ISpVoice, (void**)&pSpVoice);
获取到ISpVoice接口以后，我们就可以通过pSpVoice指针调用SAPI接口了。
我们可以设置音量：pSpVoice->SetVolume(80);。SetVolume的参数即音量的范围在0到100之间。
可以这样朗读字符串内容：pSpVoice->Speak(string, SPF_DEFAULT, NULL);。这样string里的内容就会被朗读出来了，第二个参数SPF_DEFAULT表示使用默认设置，包括同步朗读的设置。异步朗读可以设置成 SPF_ASYNC。同步朗读表示读完string中的内容，speak函数才会返回，而异步朗读则将字符串送进去就返回，不会阻塞。
使用完语音引擎后应执行：
pSpVoice->Release(); ::CoUninitialize();
这样资源被释放，语音朗读过程结束。
以上就完成了一个简单的语音合成朗读的功能。
2）、ISpVoice的成员函数
鸡啄米再简单说明几个ISpVoice接口的成员函数：
HRESULT Speak(LPCWSTR *pwcs, DWORD dwFlags, ULONG *pulStreamNumber);
用于读取字符串pwcs里的内容。参数pwcs为要朗读的字符串。dwFlags是用于控制朗读方式的标志，具体意义可以查看文档中的枚举 SPEAKFLAGS。pulStreamNumber为输出参数，它指向本次朗读请求对应的当前输入流编号，每次朗读一个字符串时都会有一个流编号返 回，异步朗读时使用。
HRESULT SetRate( long RateAdjust); // 设置朗读速度，取值范围：-10到10 HRESULT GetRate(long *pRateAdjust); // 获取朗读速度 HRESULT SetVoice(ISpObjectToken *pToken); // 设置使用的语音库 HRESULT GetVoice(ISpObjectToken** ppToken); // 获取语音库 HRESULT Pause ( void ); // 暂停朗读 HRESULT Resume ( void ); // 恢复朗读 // 在当前朗读文本中根据lNumItems的符号向前或者向后跳过指定数量（lNumItems的绝对值）的句子。 HRESULT Skip(LPCWSTR *pItemType, long lNumItems, ULONG *pulNumSkipped); // 播放WAV文件 HRESULT SpeakStream(IStream *pStream, DWORD dwFlags, ULONG *pulStreamNumber); // 将声音输出到WAV文件 HRESULT SetOutput(IUnknown *pUnkOutput,BOOL fAllowFormatChanges); HRESULT SetVolume(USHORT usVolume); // 设置音量，范围：0到100 HRESULT GetVolume(USHORT *pusVolume); // 获取音量 HRESULT SetSyncSpeakTimeout(ULONG msTimeout); // 设置同步朗读超时时间，单位为毫秒 HRESULT GetSyncSpeakTimeout(ULONG *pmsTimeout); // 获取同步朗读超时时间
因为在同步朗读时，speak函数是阻塞的，如果语音输出设备被其他程序占用，则speak则会一直等待，所以最好设置好超时时间，超时后speak函数自行返回。
3）、使用XML朗读
在进行TTS开发时可以使用XML，SAPI可以分析XML标签，通过XML能够实现一些ISpVoice的成员函数的功能。比如设置语音库、音量、语速等。此时speak函数的dwFlags参数要设置为包含SPF_IS_XML。如：
// 选择语音库Microsoft Sam pSpVoice->speak(L"<VOICE REQUIRED='NAME=Microsoft Sam'/>鸡啄米", SPF_DEFAULT | SPF_IS_XML, NULL); // 设置音量 <VOLUME LEVEL='90'>鸡啄米</VOLUME> // 设置语言 <lang langid='804'>鸡啄米</lang>
804代表中文，409代表英文。如果用函数SpGetLanguageFromToken获取语言时，0x804表示中文，0x409表示英文。
4）、设置SAPI通知消息。
SAPI在朗读的过程中，会给指定窗口发送消息，窗口收到消息后，可以主动获取SAPI的事件，根据事件的不同，用户可以得到当前SAPI的一些信息，比如正在朗读的单词的位置，当前的朗读口型值（用于显示动画口型，中文语音的情况下并不提供这个事件）等等。要获取SAPI的通知，首先要注册一个消息：
m_cpVoice->SetNotifyWindowMessage( hWnd,WM_TTSAPPCUSTOMEVENT, 0, 0 );
这个代码一般是在主窗口初始化的时候调用，hWnd是主窗口（或者接收消息的窗口）句柄。WM_TTSAPPCUSTOMEVENT是用户自定义消息。在窗口响应WM_TTSAPPCUSTOMEVENT消息的函数中，通过如下代码获取sapi的通知事件：
CSpEvent event; // 使用这个类，比用 SPEVENT结构更方便
while(event.GetFrom(m_cpVoice) == S_OK )
{
switch( event.eEventId )
{
...
}
}
eEventID有很多种，比如SPEI_START_INPUT_STREAM表示开始朗读，SPEI_END_INPUT_STREAM表示朗读结束等。
可以根据需要进行判断使用。
5）、speech sdk语音识别，识别语音生成英文/中文等字符串。
具体参考这篇文章：http://blog.csdn.net/artemisrj/article/details/8723095
3、编程实例
1）、首先将需要将Windows Speech SDK开发包的头文件和库文件所在路径添加到编译器中。
2）、封装tts操作类。
//TextToSpeech.h文件
-
//tts -
#pragma once -
#include <sapi.h> //包含TTS语音引擎头文件和库文件 -
#include <sphelper.h> -
#include <string.h> -
#pragma comment(lib, "sapi.lib") -
class TextToSpeech -
{ -
public: -
TextToSpeech(void); -
virtual ~TextToSpeech(void); -
int Init(); -
int UnInit(); -
//枚举所有语音Token -
int EnumAudioToken(CString arrayVoicePackageName[],int nVoicePackageNameCount); -
//创建SpVoice -
int CreateSpVoice(); -
//释放SpVoice -
int DeleteSpVoice(); -
//重置SpVoice(用于临时清除朗读数据) -
int ResetSpVoice(); -
//设置朗读速度（取值范围：-10到10） -
int SetRate( long RateAdjust); -
//获取朗读速度 -
int GetRate(long *pRateAdjust); -
//设置使用的语音库 -
int SetVoice(ISpObjectToken *pToken); -
//获取语音库 -
int GetVoice(unsigned int nIndex,ISpObjectToken** ppToken); -
//设置音量（取值范围：0到100） -
int SetVolume(USHORT usVolume); -
//获取音量 -
int GetVolume(USHORT *pusVolume); -
//朗读 -
int Speak(CString strContent,DWORD dwFlags=SPF_DEFAULT); -
//朗读生成文件 -
int SpeakToWaveFile(CString strContent,char *pFilePathName,DWORD dwFlags=SPF_DEFAULT); -
//暂停朗读 -
int Pause(); -
//继续朗读 -
int Resume(); -
//跳过部分朗读 -
int Skip(CString strItemType="Sentence",long lNumItems=65535, ULONG *pulNumSkipped=NULL); -
protected: -
IEnumSpObjectTokens * m_pIEnumSpObjectTokens; -
ISpObjectToken * m_pISpObjectToken; -
ISpVoice * m_pISpVoice; -
BOOL m_bComInit; -
};
//TextToSpeech.cpp文件
-
#include "StdAfx.h" -
#include "TextToSpeech.h" -
TextToSpeech::TextToSpeech(void) -
{ -
m_pIEnumSpObjectTokens = NULL; -
m_pISpObjectToken = NULL; -
m_pISpVoice = NULL; -
m_bComInit = FALSE; -
} -
TextToSpeech::~TextToSpeech(void) -
{ -
} -
int TextToSpeech::Init() -
{ -
//初始化COM组件 -
if(FAILED(::CoInitializeEx(NULL,0))) -
{ -
//MessageBox("初始化COM组件失败!", "提示", MB_OK|MB_ICONWARNING); -
return -1; -
} -
m_bComInit = TRUE; -
return 0; -
} -
int TextToSpeech::UnInit() -
{ -
if(m_bComInit) -
{ -
::CoUninitialize(); -
} -
return 0; -
} -
int TextToSpeech::EnumAudioToken(CString arrayVoicePackageName[],int nVoicePackageNameCount) -
{ -
//枚举所有语音Token -
if(SUCCEEDED(SpEnumTokens(SPCAT_VOICES, NULL, NULL, &m_pIEnumSpObjectTokens))) -
{ -
//得到所有语音Token的个数 -
ULONG ulTokensNumber = 0; -
m_pIEnumSpObjectTokens->GetCount(&ulTokensNumber); -
//检测该机器是否安装有语音包 -
if(ulTokensNumber == 0) -
{ -
//MessageBox("该机器没有安装语音包!", "提示", MB_OK|MB_ICONWARNING); -
return -1; -
} -
if(ulTokensNumber > nVoicePackageNameCount) -
{ -
//缓冲区过小 -
return 0; -
} -
//将语音包的名字加入数组中 -
CString strVoicePackageName = _T(""); -
CString strTokenPrefixText = _T("HKEY_LOCAL_MACHINE\\SOFTWARE\\Microsoft\\Speech\\Voices\\Tokens\\"); -
for(ULONG i=0; i<ulTokensNumber; i++) -
{ -
m_pIEnumSpObjectTokens->Item(i, &m_pISpObjectToken); -
WCHAR* pChar; -
m_pISpObjectToken->GetId(&pChar); -
strVoicePackageName = pChar; -
strVoicePackageName.Delete(0, strTokenPrefixText.GetLength()); -
arrayVoicePackageName[i] = strVoicePackageName; -
} -
return ulTokensNumber; -
} -
return -1; -
} -
//创建SpVoice -
int TextToSpeech::CreateSpVoice() -
{ -
//获取ISpVoice接口 -
if(FAILED(CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_INPROC_SERVER, IID_ISpVoice, (void**)&m_pISpVoice))) -
{ -
//MessageBox("获取ISpVoice接口失败!", "提示", MB_OK|MB_ICONWARNING); -
return -1; -
} -
return 0; -
} -
//释放SpVoice -
int TextToSpeech::DeleteSpVoice() -
{ -
if(m_pISpVoice != NULL) -
{ -
m_pISpVoice->Release(); -
} -
m_pISpVoice = NULL; -
return 0; -
} -
//重置SpVoice -
int TextToSpeech::ResetSpVoice() -
{ -
DeleteSpVoice(); -
return CreateSpVoice(); -
} -
//设置朗读速度（取值范围：-10到10） -
int TextToSpeech::SetRate( long RateAdjust) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
//设置播放速度 -
m_pISpVoice->SetRate(RateAdjust); -
return 0; -
} -
//获取朗读速度 -
int TextToSpeech::GetRate(long *pRateAdjust) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
m_pISpVoice->GetRate(pRateAdjust); -
return 0; -
} -
//设置使用的语音库 -
int TextToSpeech::SetVoice(ISpObjectToken *pToken) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
m_pISpVoice->SetVoice(pToken); -
return 0; -
} -
//获取语音库 -
int TextToSpeech::GetVoice(unsigned int nIndex,ISpObjectToken** ppToken) -
{ -
if(m_pIEnumSpObjectTokens == NULL) -
return -1; -
//设置语言 -
m_pIEnumSpObjectTokens->Item(nIndex, ppToken); -
m_pISpObjectToken = *ppToken; -
return 0; -
} -
//设置音量（取值范围：0到100） -
int TextToSpeech::SetVolume(USHORT usVolume) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
//设置音量大小 -
m_pISpVoice->SetVolume(usVolume); -
return 0; -
} -
//获取音量 -
int TextToSpeech::GetVolume(USHORT *pusVolume) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
//设置音量大小 -
m_pISpVoice->GetVolume(pusVolume); -
return 0; -
} -
//开始朗读 -
int TextToSpeech::Speak(CString strContent, DWORD dwFlags) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
//开始进行朗读 -
HRESULT hSucess = m_pISpVoice->Speak(strContent.AllocSysString(), dwFlags, NULL); -
return 0; -
} -
//朗读生成文件 -
int TextToSpeech::SpeakToWaveFile(CString strContent,char *pFilePathName,DWORD dwFlags) -
{ -
if(m_pISpVoice == NULL || pFilePathName == NULL) -
return -1; -
//生成WAV文件 -
CComPtr<ISpStream> cpISpStream; -
CComPtr<ISpStreamFormat> cpISpStreamFormat; -
CSpStreamFormat spStreamFormat; -
m_pISpVoice->GetOutputStream(&cpISpStreamFormat); -
spStreamFormat.AssignFormat(cpISpStreamFormat); -
HRESULT hResult = SPBindToFile(pFilePathName, SPFM_CREATE_ALWAYS, -
&cpISpStream, &spStreamFormat.FormatId(), spStreamFormat.WaveFormatExPtr()); -
if(SUCCEEDED(hResult)) -
{ -
m_pISpVoice->SetOutput(cpISpStream, TRUE); -
m_pISpVoice->Speak(strContent.AllocSysString(), dwFlags, NULL); -
return 0; -
//MessageBox("生成WAV文件成功!", "提示", MB_OK); -
} -
else -
{ -
//MessageBox("生成WAV文件失败!", "提示", MB_OK|MB_ICONWARNING); -
return 1; -
} -
} -
//暂停朗读 -
int TextToSpeech::Pause() -
{ -
if(m_pISpVoice != NULL) -
{ -
m_pISpVoice->Pause(); -
} -
return 0; -
} -
//继续朗读 -
int TextToSpeech::Resume() -
{ -
if(m_pISpVoice != NULL) -
{ -
m_pISpVoice->Resume(); -
} -
return 0; -
}
//跳过部分朗读 int TextToSpeech::Skip(CString strItemType,long lNumItems, ULONG *pulNumSkipped) { if(m_pISpVoice == NULL || strItemType.GetLength() == 0) return -1;
m_pISpVoice->Skip(strItemType.AllocSysString(), lNumItems,pulNumSkipped); return 0; }
3）调用实例代码。
-
TextToSpeech ttsSpeech; -
ttsSpeech.Init(); -
CString arrayVoicePackageName[50] = {0}; -
int nVoicePackageNameCount = 50; -
int nCount = ttsSpeech.EnumAudioToken(arrayVoicePackageName,nVoicePackageNameCount); -
ttsSpeech.CreateSpVoice(); -
ISpObjectToken* ppToken = NULL; -
ttsSpeech.GetVoice(0,&ppToken); -
ttsSpeech.SetVoice(ppToken); -
ttsSpeech.SetRate(0); -
ttsSpeech.SetVolume(100); -
ttsSpeech.Speak("我是中国人"); -
//ttsSpeech.SpeakToWaveFile("我是中国人","d:\\11.wav"); -
ttsSpeech.DeleteSpVoice(); -
ttsSpeech.UnInit();
4、注意事项
1）、sphelper.h编译错误解决方案
SAPI 包含sphelper.h编译错误解决方案 在使用Microsoft Speech SDK 5.1开发语音识别程序时，包含了头文件“sphelper.h”和库文件“sapi.lib”。编译时出错： 1>c:\program files\microsoft speech sdk 5.1\include\sphelper.h(769): error C4430: missing type specifier - int assumed. Note: C++ does not supportdefault-int 1>c:\program files\microsoft speech sdk5.1\include\sphelper.h(1419) : error C4430: missing type specifier - intassumed. Note: C++ does not support default-int 1>c:\program files\microsoftspeech sdk 5.1\include\sphelper.h(2373) : error C2065: 'psz' : undeclaredidentifier 1>c:\program files\microsoft speech sdk5.1\include\sphelper.h(2559) : error C2440: 'initializing' : cannot convert from'CSpDynamicString' to 'SPPHONEID *' 1> No user-defined-conversion operatoravailable that can perform this conversion, or the operator cannot be called1>c:\program files\microsoft speech sdk 5.1\include\sphelper.h(2633) : errorC2664: 'wcslen' : cannot convert parameter 1 from 'SPPHONEID *' to 'constwchar_t *' 1> Types pointed to are unrelated; conversion requiresreinterpret_cast, C-style cast or function-style cast 搜索了一圈，根据大家的经验汇总，应该是Speech代码编写时间太早，语法不严密。而VS2008对于语法检查非常严格，导致编译无法通过。修改头文件中的以下行即可正常编译：
Ln769 const ulLenVendorPreferred = wcslen(pszVendorPreferred);
const unsigned long ulLenVendorPreferred = wcslen(pszVendorPreferred);
Ln 1418static CoMemCopyWFEX(const WAVEFORMATEX * pSrc, WAVEFORMATEX ** ppCoMemWFEX)
static HRESULT CoMemCopyWFEX(const WAVEFORMATEX * pSrc, WAVEFORMATEX ** ppCoMemWFEX)
Ln 2372for (const WCHAR * psz = (const WCHAR *)lParam; *psz; psz++) {}
const WCHAR * psz; for (psz = (const WCHAR *)lParam; *psz; psz++) {}
Ln 2559SPPHONEID* pphoneId = dsPhoneId;
SPPHONEID* pphoneId = (SPPHONEID*)((WCHAR *)dsPhoneId);
Ln 2633pphoneId += wcslen(pphoneId) + 1;
pphoneId+= wcslen((const wchar_t *)pphoneId) + 1;
2）、Speak指定为SPF_ASYNC（异步）时，不要过早的释放ISpVoice对象，否则就没有声音，因为ISpVoice生命周期结束了，就不会播放。一般将ISpVoice对象放到类的成员变量中，类析构时才释放ISpVoice对象。
3）、Speak第一次朗读时很慢，因为加载引擎需要一段时间，可以使用线程预先Speak("",SPF_ASYNC)而加载引擎，但需要注意的是在初始化COM的时候使用CoInitializeEx，而不要使用CoInitialize。
573
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
