使用微軟TTS語音引擎實現文本朗讀
版權聲明：本文爲博主原創文章，未經博主允許不得轉載。 https://blog.csdn.net/byxdaz/article/details/78443954
TTS（Text-To-Speech）是指文本語音的簡稱,即通過TTS引擎把文本轉化爲語音輸出。TTS語音引擎有微軟TTS語音引擎、科大訊飛語音引擎等。科大訊飛tts sdk參考這個頁面http://www.xfyun.cn/sdk/dispatcher
文本主要介紹如何使用微軟TTS語音引擎實現文本朗讀，以及生成wav格式的聲音文件。
1、語音引擎及語音庫的安裝
微軟TTS語音引擎提供了Windows Speech SDK開發包供編程者使用。Windows Speech SDK包含語音合成SS引擎和語音識別SR引擎兩種，語音合成引擎用於將文字轉換成語音輸出，語音識別引擎用於識別語音命令。
Windows Speech SDK可以在微軟的官網上免費下載，下載地址爲：http://www.microsoft.com/download/en/details.aspx?id=10121
在該下載界面中，選擇下載SpeechSDK51.exe、SpeechSDK51LangPach.exe和sapi.chm 即可。
|
SpeechSDK51.exe |
語音合成引擎 |
|
SpeechSDK51LangPach.exe |
語音庫，支持日語和簡體中文需要這個支持。 |
|
sapi.chm |
幫助文檔 |
|
speechsdk51MSM.exe |
語音引擎集成到你的產品跟產品一起發佈。解壓出來三個文件夾1033、1041和2052。其中，1033下主要是用於英文的TTS和SR的.msm文件，1041下主要是用於日文SR的.msm文件，2052下是用於中文TTS和SR的msm文件。 |
|
Sp5TTintXP.exe |
XP下Mike和Mary語音。 |
下載完成後，先安裝語音引擎SpeechSDK51.exe，再安裝中文語音庫SpeechSDK51LangPach.exe。
目前最常用的Windows Speech SDK版本有三種：5.1、5.3和5.4。
Windows Speech SDK 5.1版本支持xp系統和server 2003系統，需要下載安裝。XP系統默認只帶了個Microsoft Sam英文男聲語音庫，想要中文引擎就需要安裝Windows Speech SDK 5.1。
Windows Speech SDK 5.3版本支持Vista系統和Server 2008系統，已經集成到系統裏。Vista和Server 2003默認帶Microsoft lili中文女聲語音庫和Microsoft Anna英文女聲語音庫。
Windows Speech SDK 5.4版本支持Windows7系統，也已經集成到系統裏，不需要下載安裝。Win7系統同樣帶了Microsoft lili中文女聲語音庫和Microsoft Anna英文女聲語音庫。Microsoft lili支持中英文混讀。
2、SAPI接口的使用說明
1）、基本朗讀過程的實現
在使用語音引擎之前進行初始化：
ISpVoice *pSpVoice; // 重要COM接口 ::CoInitialize(NULL); // COM初始化 // 獲取ISpVoice接口 CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_INPROC_SERVER, IID_ISpVoice, (void**)&pSpVoice);
獲取到ISpVoice接口以後，我們就可以通過pSpVoice指針調用SAPI接口了。
我們可以設置音量：pSpVoice->SetVolume(80);。SetVolume的參數即音量的範圍在0到100之間。
可以這樣朗讀字符串內容：pSpVoice->Speak(string, SPF_DEFAULT, NULL);。這樣string裏的內容就會被朗讀出來了，第二個參數SPF_DEFAULT表示使用默認設置，包括同步朗讀的設置。異步朗讀可以設置成 SPF_ASYNC。同步朗讀表示讀完string中的內容，speak函數纔會返回，而異步朗讀則將字符串送進去就返回，不會阻塞。
使用完語音引擎後應執行：
pSpVoice->Release(); ::CoUninitialize();
這樣資源被釋放，語音朗讀過程結束。
以上就完成了一個簡單的語音合成朗讀的功能。
2）、ISpVoice的成員函數
雞啄米再簡單說明幾個ISpVoice接口的成員函數：
HRESULT Speak(LPCWSTR *pwcs, DWORD dwFlags, ULONG *pulStreamNumber);
用於讀取字符串pwcs裏的內容。參數pwcs爲要朗讀的字符串。dwFlags是用於控制朗讀方式的標誌，具體意義可以查看文檔中的枚舉 SPEAKFLAGS。pulStreamNumber爲輸出參數，它指向本次朗讀請求對應的當前輸入流編號，每次朗讀一個字符串時都會有一個流編號返 回，異步朗讀時使用。
HRESULT SetRate( long RateAdjust); // 設置朗讀速度，取值範圍：-10到10 HRESULT GetRate(long *pRateAdjust); // 獲取朗讀速度 HRESULT SetVoice(ISpObjectToken *pToken); // 設置使用的語音庫 HRESULT GetVoice(ISpObjectToken** ppToken); // 獲取語音庫 HRESULT Pause ( void ); // 暫停朗讀 HRESULT Resume ( void ); // 恢復朗讀 // 在當前朗讀文本中根據lNumItems的符號向前或者向後跳過指定數量（lNumItems的絕對值）的句子。 HRESULT Skip(LPCWSTR *pItemType, long lNumItems, ULONG *pulNumSkipped); // 播放WAV文件 HRESULT SpeakStream(IStream *pStream, DWORD dwFlags, ULONG *pulStreamNumber); // 將聲音輸出到WAV文件 HRESULT SetOutput(IUnknown *pUnkOutput,BOOL fAllowFormatChanges); HRESULT SetVolume(USHORT usVolume); // 設置音量，範圍：0到100 HRESULT GetVolume(USHORT *pusVolume); // 獲取音量 HRESULT SetSyncSpeakTimeout(ULONG msTimeout); // 設置同步朗讀超時時間，單位爲毫秒 HRESULT GetSyncSpeakTimeout(ULONG *pmsTimeout); // 獲取同步朗讀超時時間
因爲在同步朗讀時，speak函數是阻塞的，如果語音輸出設備被其他程序佔用，則speak則會一直等待，所以最好設置好超時時間，超時後speak函數自行返回。
3）、使用XML朗讀
在進行TTS開發時可以使用XML，SAPI可以分析XML標籤，通過XML能夠實現一些ISpVoice的成員函數的功能。比如設置語音庫、音量、語速等。此時speak函數的dwFlags參數要設置爲包含SPF_IS_XML。如：
// 選擇語音庫Microsoft Sam pSpVoice->speak(L"<VOICE REQUIRED='NAME=Microsoft Sam'/>雞啄米", SPF_DEFAULT | SPF_IS_XML, NULL); // 設置音量 <VOLUME LEVEL='90'>雞啄米</VOLUME> // 設置語言 <lang langid='804'>雞啄米</lang>
804代表中文，409代表英文。如果用函數SpGetLanguageFromToken獲取語言時，0x804表示中文，0x409表示英文。
4）、設置SAPI通知消息。
SAPI在朗讀的過程中，會給指定窗口發送消息，窗口收到消息後，可以主動獲取SAPI的事件，根據事件的不同，用戶可以得到當前SAPI的一些信息，比如正在朗讀的單詞的位置，當前的朗讀口型值（用於顯示動畫口型，中文語音的情況下並不提供這個事件）等等。要獲取SAPI的通知，首先要註冊一個消息：
m_cpVoice->SetNotifyWindowMessage( hWnd,WM_TTSAPPCUSTOMEVENT, 0, 0 );
這個代碼一般是在主窗口初始化的時候調用，hWnd是主窗口（或者接收消息的窗口）句柄。WM_TTSAPPCUSTOMEVENT是用戶自定義消息。在窗口響應WM_TTSAPPCUSTOMEVENT消息的函數中，通過如下代碼獲取sapi的通知事件：
CSpEvent event; // 使用這個類，比用 SPEVENT結構更方便
while(event.GetFrom(m_cpVoice) == S_OK )
{
switch( event.eEventId )
{
...
}
}
eEventID有很多種，比如SPEI_START_INPUT_STREAM表示開始朗讀，SPEI_END_INPUT_STREAM表示朗讀結束等。
可以根據需要進行判斷使用。
5）、speech sdk語音識別，識別語音生成英文/中文等字符串。
具體參考這篇文章：http://blog.csdn.net/artemisrj/article/details/8723095
3、編程實例
1）、首先將需要將Windows Speech SDK開發包的頭文件和庫文件所在路徑添加到編譯器中。
2）、封裝tts操作類。
//TextToSpeech.h文件
-
//tts -
#pragma once -
#include <sapi.h> //包含TTS語音引擎頭文件和庫文件 -
#include <sphelper.h> -
#include <string.h> -
#pragma comment(lib, "sapi.lib") -
class TextToSpeech -
{ -
public: -
TextToSpeech(void); -
virtual ~TextToSpeech(void); -
int Init(); -
int UnInit(); -
//枚舉所有語音Token -
int EnumAudioToken(CString arrayVoicePackageName[],int nVoicePackageNameCount); -
//創建SpVoice -
int CreateSpVoice(); -
//釋放SpVoice -
int DeleteSpVoice(); -
//重置SpVoice(用於臨時清除朗讀數據) -
int ResetSpVoice(); -
//設置朗讀速度（取值範圍：-10到10） -
int SetRate( long RateAdjust); -
//獲取朗讀速度 -
int GetRate(long *pRateAdjust); -
//設置使用的語音庫 -
int SetVoice(ISpObjectToken *pToken); -
//獲取語音庫 -
int GetVoice(unsigned int nIndex,ISpObjectToken** ppToken); -
//設置音量（取值範圍：0到100） -
int SetVolume(USHORT usVolume); -
//獲取音量 -
int GetVolume(USHORT *pusVolume); -
//朗讀 -
int Speak(CString strContent,DWORD dwFlags=SPF_DEFAULT); -
//朗讀生成文件 -
int SpeakToWaveFile(CString strContent,char *pFilePathName,DWORD dwFlags=SPF_DEFAULT); -
//暫停朗讀 -
int Pause(); -
//繼續朗讀 -
int Resume(); -
//跳過部分朗讀 -
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組件 -
if(FAILED(::CoInitializeEx(NULL,0))) -
{ -
//MessageBox("初始化COM組件失敗!", "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) -
{ -
//枚舉所有語音Token -
if(SUCCEEDED(SpEnumTokens(SPCAT_VOICES, NULL, NULL, &m_pIEnumSpObjectTokens))) -
{ -
//得到所有語音Token的個數 -
ULONG ulTokensNumber = 0; -
m_pIEnumSpObjectTokens->GetCount(&ulTokensNumber); -
//檢測該機器是否安裝有語音包 -
if(ulTokensNumber == 0) -
{ -
//MessageBox("該機器沒有安裝語音包!", "提示", MB_OK|MB_ICONWARNING); -
return -1; -
} -
if(ulTokensNumber > nVoicePackageNameCount) -
{ -
//緩衝區過小 -
return 0; -
} -
//將語音包的名字加入數組中 -
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; -
} -
//創建SpVoice -
int TextToSpeech::CreateSpVoice() -
{ -
//獲取ISpVoice接口 -
if(FAILED(CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_INPROC_SERVER, IID_ISpVoice, (void**)&m_pISpVoice))) -
{ -
//MessageBox("獲取ISpVoice接口失敗!", "提示", MB_OK|MB_ICONWARNING); -
return -1; -
} -
return 0; -
} -
//釋放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(); -
} -
//設置朗讀速度（取值範圍：-10到10） -
int TextToSpeech::SetRate( long RateAdjust) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
//設置播放速度 -
m_pISpVoice->SetRate(RateAdjust); -
return 0; -
} -
//獲取朗讀速度 -
int TextToSpeech::GetRate(long *pRateAdjust) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
m_pISpVoice->GetRate(pRateAdjust); -
return 0; -
} -
//設置使用的語音庫 -
int TextToSpeech::SetVoice(ISpObjectToken *pToken) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
m_pISpVoice->SetVoice(pToken); -
return 0; -
} -
//獲取語音庫 -
int TextToSpeech::GetVoice(unsigned int nIndex,ISpObjectToken** ppToken) -
{ -
if(m_pIEnumSpObjectTokens == NULL) -
return -1; -
//設置語言 -
m_pIEnumSpObjectTokens->Item(nIndex, ppToken); -
m_pISpObjectToken = *ppToken; -
return 0; -
} -
//設置音量（取值範圍：0到100） -
int TextToSpeech::SetVolume(USHORT usVolume) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
//設置音量大小 -
m_pISpVoice->SetVolume(usVolume); -
return 0; -
} -
//獲取音量 -
int TextToSpeech::GetVolume(USHORT *pusVolume) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
//設置音量大小 -
m_pISpVoice->GetVolume(pusVolume); -
return 0; -
} -
//開始朗讀 -
int TextToSpeech::Speak(CString strContent, DWORD dwFlags) -
{ -
if(m_pISpVoice == NULL) -
return -1; -
//開始進行朗讀 -
HRESULT hSucess = m_pISpVoice->Speak(strContent.AllocSysString(), dwFlags, NULL); -
return 0; -
} -
//朗讀生成文件 -
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文件失敗!", "提示", MB_OK|MB_ICONWARNING); -
return 1; -
} -
} -
//暫停朗讀 -
int TextToSpeech::Pause() -
{ -
if(m_pISpVoice != NULL) -
{ -
m_pISpVoice->Pause(); -
} -
return 0; -
} -
//繼續朗讀 -
int TextToSpeech::Resume() -
{ -
if(m_pISpVoice != NULL) -
{ -
m_pISpVoice->Resume(); -
} -
return 0; -
}
//跳過部分朗讀 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）調用實例代碼。
-
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("我是中國人"); -
//ttsSpeech.SpeakToWaveFile("我是中國人","d:\\11.wav"); -
ttsSpeech.DeleteSpVoice(); -
ttsSpeech.UnInit();
4、注意事項
1）、sphelper.h編譯錯誤解決方案
SAPI 包含sphelper.h編譯錯誤解決方案 在使用Microsoft Speech SDK 5.1開發語音識別程序時，包含了頭文件“sphelper.h”和庫文件“sapi.lib”。編譯時出錯： 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，根據大家的經驗彙總，應該是Speech代碼編寫時間太早，語法不嚴密。而VS2008對於語法檢查非常嚴格，導致編譯無法通過。修改頭文件中的以下行即可正常編譯：
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指定爲SPF_ASYNC（異步）時，不要過早的釋放ISpVoice對象，否則就沒有聲音，因爲ISpVoice生命週期結束了，就不會播放。一般將ISpVoice對象放到類的成員變量中，類析構時才釋放ISpVoice對象。
3）、Speak第一次朗讀時很慢，因爲加載引擎需要一段時間，可以使用線程預先Speak("",SPF_ASYNC)而加載引擎，但需要注意的是在初始化COM的時候使用CoInitializeEx，而不要使用CoInitialize。