Windows 语音编程

微软语音组件官网

SAPI介绍(5.3和5.4)

SAPI简介

软件中的语音技术包括两方面的内容，一个是语音识别(speech recognition) 和语音合成(speech synthesis)。这两个技术都需要语音引擎的支持。微软推出的应用编程接口API，虽然现在不是业界标准，但是应用比较广泛。SAPI全称 The Microsoft Speech API.相关的SR和SS引擎位于Speech SDK开发包中。这个语音引擎支持多种语言的识别和朗读，包括英文、中文、日文等。

SAPI包括以下组件对象（接口）：

（1）Voice Commands API。对应用程序进行控制，一般用于语音识别系统中。识别某个命令后，会调用相关接口是应用程序完成对应的功能。如果程序想实现语音控制，必须使用此组对象。
（2）Voice Dictation API。听写输入，即语音识别接口。
（3）Voice Text API。完成从文字到语音的转换，即语音合成。
（4）Voice Telephone API。语音识别和语音合成综合运用到电话系统之上，利用此接口可以建立一个电话应答系统，甚至可以通过电话控制计算机。
（5）Audio Objects API。封装了计算机发音系统。

SAPI是架构在COM基础上的，微软还提供了ActiveX控件，所以不仅可用于一般的windows程序，还可以用于网页、VBA甚至EXCEL的图表中。如果对COM感到陌生，还可以使用微软的C++ WRAPPERS，它用C++类封装了语音SDK COM对象。

语音合成TTS(Text to Speech)

初始化语音接口 

ISpVoice* pVoice; ::CoInitialize(NULL); HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL, IID_ISpVoice, (void **)&pVoice);

或者使用智能指针:

CComPtr<ISpVoice> m_cpVoice;HRESULT hr = m_cpVoice->CoCreateInstance( CLSID_SpVoice );m_cpVoice->SetVolume(50);//设置音量m_cpVoice->Speak(str.AllocSysString(),SPF_ASYNC,NULL);

CLSID_SpVoice的定义位于SPAI.H中。

获取/设置输出频率

SAPI朗读文字的时候，可以采用多种频率方式输出声音，比如：8kHz 8Bit Mono、8kHz 8Bit Stereo、44kHz 16Bit Mono、44kHz 16Bit Stereo等。

下面是获取当前的配置的代码:

CComPtr<ISpStreamFormat> cpStream; HRESULT hrOutputStream = m_cpVoice->GetOutputStream(&cpStream); if (hrOutputStream == S_OK) { CSpStreamFormat Fmt; hr = Fmt.AssignFormat(cpStream); if (SUCCEEDED(hr)) { SPSTREAMFORMAT eFmt = Fmt.ComputeFormatEnum(); } }  

下面的代码则是设置当前朗读频率:

CComPtr<ISpAudio> m_cpOutAudio; //声音输出接口 SpCreateDefaultObjectFromCategoryId( SPCAT_AUDIOOUT, &m_cpOutAudio ); //创建接口 SPSTREAMFORMAT eFmt = 21; //SPSF_22kHz 8Bit Stereo CSpStreamFormat Fmt; Fmt.AssignFormat(eFmt); if ( m_cpOutAudio ) { hr = m_cpOutAudio->SetFormat( Fmt.FormatId(), Fmt.WaveFormatExPtr() ); } else hr = E_FAIL; if( SUCCEEDED( hr ) ) { m_cpVoice->SetOutput( m_cpOutAudio, FALSE ); }

开始/暂停/恢复/结束

ISpVoice接口

开始:m_cpVoice->Speak

暂停:m_cpVoice->Pause

恢复:m_cpVoice->Resume

停止:m_cpVoice->Speak( NULL, SPF_PURGEBEFORESPEAK, 0); 、

如果编译器无法识别宏:SPF_PURGEBEFORESPEAK，则将其换成2即可，SPF_PURGEBEFORESPEAK是一枚举量，详见SPEAKFLAGS。