內容簡介
文本語音（Text-to-Speech，以下簡稱TTS），它的作用就是把通過TTS引擎把文本轉化為語音輸出。本文不是講述如何建立自己的TTS引擎，而是簡單介紹如何運用Microsoft Speech SDK 建立自己的文本語音轉換應用程序。
Microsoft Speech SDK簡介
Microsoft Speech SDK是微軟提供的軟件開發包，提供的Speech API （SAPI）主要包含兩大方面：
1．API for Text-to-Speech
2．API for Speech Recognition
其中API for Text-to-Speech，就是微軟TTS引擎的接口，通過它我們可以很容易地建立功能強大的文本語音程序，金山詞霸的單詞朗讀功能就用到了這寫API，而目前幾乎所有的文本朗讀工具都是用這個SDK開發的。至於API for Speech Recognition就是與TTS相對應的語音識別，語音技術是一種令人振奮的技術，但由於目前語音識別技術准確度和識別速度不太理想，還未達到廣泛應用的要求。
Microsoft Speech SDK可以在微軟的網站免費下載，目前的版本是5.1，為了支持中文，還要把附加的語言包（LangPack）一起下載。
為了在VC中使用這SDK，必需在工程中添加SDK的include和lib目錄，為免每個工程都添加目錄，最好的辦法是在VC的
Option->Directoris立加上SDK的include和lib目錄。
一個最簡單的例子
先看一個入門的例子：
#include <sapi.h>
#pragma comment(lib,"ole32.lib") //CoInitialize CoCreateInstance需要調用ole32.dll
#pragma comment(lib,"sapi.lib") //sapi.lib在SDK的lib目錄,必需正確配置
int main(int argc, char* argv[])
{
ISpVoice * pVoice = NULL;
//COM初始化：
if (FAILED(::CoInitialize(NULL)))
return FALSE;
//獲取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;
}
//千萬不要忘記：
::CoUninitialize();
return TRUE;
}
短短20幾行代碼就實現了文本語音轉換，夠神奇吧。SDK提供的SAPI是基於COM封裝的，無論你是否熟悉COM，只要按部就班地用CoInitialize()， CoCreateInstance()獲取IspVoice接口就夠了，需要注意的是初始化COM後，程序結束前一定要用CoUninitialize()釋放資源。
IspVoice接口主要函數
上述程序的流程是獲取IspVoice接口，然後用ISpVoice::Speak（）把文本輸出為語音，可見，程序的核心就是IspVoice接口。除了Speak外IspVoice接口還有許多成員函數，具體用法請參考SDK的文檔。下面擇要說一下幾個主要函數的用法：
HRESULT Speak(const WCHAR *pwcs,DWORD dwFlags,ULONG *pulStreamNumber);
功能：就是speak了
參數：
*pwcs 輸入的文本字符串，必需為Unicode，如果是ansi字符串必需先轉換為Unicode。
dwFlags 用來標志Speak的方式，其中SPF_IS_XML 表示輸入文本含有XML標簽，這個下文會講到。
PulStreamNumber 輸出，用來獲取去當前文本輸入的等候播放隊列的位置，只有在異步模式才有用。
HRESULT Pause ( void );
HRESULT Resume ( void );
功能：一看就知道了。
HRESULT SetRate(long RateAdjust );
HRESULT GetRate(long *pRateAdjust);
功能：設置/獲取播放速度，范圍：-10 to 10
HRESULT SetVolume(USHORT usVolume);
HRESULT GetVolume(USHORT *pusVolume);
功能：設置/獲取播放音量，范圍：0 to 100
HRESULT SetSyncSpeakTimeout(ULONG msTimeout);
HRESULT GetSyncSpeakTimeout(ULONG *pmsTimeout);
功能：設置/獲取同步超時時間。由於在同步模式中，電泳Speak後程序就會進入阻塞狀態等待Speak返回，為免程序長時間沒相應，應該設置超時時間，
msTimeout單位為毫秒。
HRESULT SetOutput(IUnknown *pUnkOutput,BOOL fAllowFormatChanges);
功能：設置輸出，下文會講到用SetOutput把Speak輸出問WAV文件。
這些函數的返回類型都是HRESULT，如果成功則返回S_OK，錯誤有各自不同的錯誤碼。
使用XML
個人認為這個TTS api功能最強大之處在於能夠分析XML標簽，通過XML標簽設置音量、音調、延長、停頓，幾乎可以使輸出達到自然語音效果。前面已經提過，把Speak參數dwFlags設為SPF_IS_XML,TTS引擎就會分析XML文本，輸入文本並不需要嚴格遵守W3C的標准，只要含有XML標簽就行了，下面舉個例子：
……
pVoice->Speak(L"<VOICE REQUIRED=''NAME=Microsoft Mary''/>volume<VOLUME LEVEL=''100''>turn up</VOLUME>", SPF_IS_XML, NULL);
……
<VOICE REQUIRED=''NAME=Microsoft Mary''/>
標簽把聲音設為Microsoft Mary，英文版SDK中一共含有3種聲音，另外兩種是Microsoft Sam和Microsoft Mike。
……
<VOLUME LEVEL=''100''>
把音量設為100，音量范圍是0～100。
另外：標志音調（-10～10）：
<PITCH MIDDLE="10">text</PITCH>
注意：" 號在C/C++中前面要加 \ ，否則會出錯。 標志語速（-10～10）：
<RATE SPEED="-10">text</RATE>
逐個字母讀：
<SPELL>text</SPELL>
強調：
<EMPH>text</EMPH>
停頓200毫秒（最長為65,536毫秒）：
<SILENCE MSEC="200" />
控制發音：
<PRON SYM = ''h eh - l ow 1''/>
這個標簽的功能比較強，重點講一下：所有的語言發音都是由基本的音素組成，拿中文發音來說，拼音是組成發音的最基本的元素，只要知道漢字的拼音，即使不知道怎麼寫，我們可知道這個字怎麼都，對於TTS引擎來說，它不一定認識所有字，但是你把拼音對應的符號（SYM）給它，它就一定能夠讀出來，而英語發音則可以用音標表示，''h eh - l ow 1''就是hello這個單詞對應的語素。至於發音與符號SYM具體對應關系請看SDK文檔中的Phoneme Table。
再另外，數字、日期、時間的讀法也有一套規則，SDK中有詳細的說明，這裡不說了（懶得翻譯了），下面隨便拋個例子：
<context ID = "date_ ymd">1999.12.21</context>
會讀成
"December twenty first nineteen ninety nine"
XML標簽可以嵌套使用，但是一定要遵守XML標准。XML標簽確實好用，效果也不錯，但是……缺點：一個字―――"煩"，如果給一大段文字加標簽，簡直痛不欲生。
把文本語音輸出為WAV文件
#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把文件綁定到輸出流上，而SetOutput把輸出設為綁定文件的流上。
最後
看完本文後，是不是覺得很簡單，微軟把強大的功能封裝的太好了。其實SDK中另外一個API，SR（語音識別）更有趣，有興趣不妨試試，你會有意外的收獲的。
本文配套源碼
