关于Speech sdk 在.net中tts的应用 学习
【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);
}
/// <summary>
/// 设置英文语音
/// </summary>
public void SetEnglishVoice()
{
voice.Voice = voice.GetVoices(string.Empty, string.Empty).Item(1);
}
3.4. 界面的实现
在打开文件时，可以选择打开文本文件（*.Txt）和XML文件（*.Xml），如果打开的是XML文件，将不对内容作任何修改，并且也不允许调节音量、语速、语调，因为这些都应该在XML文件中写好；如果打开的是文本文件，则在朗读前，会调用AddXmlLangTag方法给文本加上语言标记，调用AddXmlPitchTag方法给文本加上语调标记，同时也允许调节音量、语速、语调。
4. 总结
通过为普通文本内容设置语音XML标记，并调用SpVoice接口的Speak方法，可以实现中英文文本的混合朗读。如果要使朗读的效果更佳，就必须手工为每一个句子设置相应的XML标记，这样可使朗读更接近人性化。