通用語(yǔ)音合成播放組件

摘 要：針對(duì)現(xiàn)有煤礦監(jiān)控系統(tǒng)類軟件不支持語(yǔ)音指引、互動(dòng)回饋等功能，設(shè)計(jì)了一款支持Form和Web為前端的語(yǔ)音合成組件，該軟件以組件化形式運(yùn)行，能夠很好地解決以上的問(wèn)題，具有很高的實(shí)用性和可重用性。

關(guān)鍵詞：語(yǔ)音合成；TTS；音頻流播放

中圖分類號(hào)：TP391.42

1 引言

1.1 簡(jiǎn)介

語(yǔ)音合成又名文句轉(zhuǎn)語(yǔ)音（Text-To-Speech，TTS），它是指將輸入的文字或儲(chǔ)存于電腦中的文件模擬人聲發(fā)出語(yǔ)音的技術(shù)。語(yǔ)音合成較語(yǔ)音辨識(shí)的發(fā)展早了許多，但應(yīng)用層面大多仍在閱讀電腦屏幕上的文章，語(yǔ)音指引，互動(dòng)回饋或輔助說(shuō)明。

1.2 相關(guān)技術(shù)介紹

語(yǔ)音合成技術(shù)示意圖如圖1所示：

圖1

語(yǔ)音合成主要是將一段文字進(jìn)行分析，通過(guò)對(duì)文字的文句分析、產(chǎn)生韻律、合成單元等一系列操作后，將該段文字轉(zhuǎn)換為以音素組合的形式，再對(duì)其進(jìn)行重組后生成波形，最后形成我們能聽(tīng)到的聲音。

目前語(yǔ)音合成產(chǎn)品很多，但所有的語(yǔ)音合成的技術(shù)都差不多，總的來(lái)說(shuō)，語(yǔ)音引擎可以劃分為4個(gè)模組：

（1）文句分析。分析文句的語(yǔ)法與語(yǔ)義后專程語(yǔ)言特征參數(shù)，讓電腦知道本文中哪些是詞，哪些是句子，發(fā)什么音，怎么發(fā)音，發(fā)音時(shí)到哪應(yīng)該停頓，停頓多長(zhǎng)等等。

（2）韻律產(chǎn)生器。將語(yǔ)言特征參數(shù)送入韻律產(chǎn)生器來(lái)產(chǎn)生文句的每個(gè)音節(jié)對(duì)應(yīng)韻律信息，包含基頻軌跡，音量，音長(zhǎng)等。

（3）合成單元產(chǎn)生器。根據(jù)語(yǔ)音資料庫(kù)中的單音節(jié)音素語(yǔ)音波形樣本輸出合成單元。這里就是我們通常理解的語(yǔ)音庫(kù)，一個(gè)引擎往往可以提供多個(gè)語(yǔ)音庫(kù)。

（4）語(yǔ)音合成器。根據(jù)需要發(fā)的音從聲音資料庫(kù)中選擇出合適的聲學(xué)參數(shù)，然后根據(jù)在韻律模型中得到的韻律參數(shù)，透過(guò)語(yǔ)音合成演算法產(chǎn)生語(yǔ)音。

1.3 SAPI技術(shù)

TTS系統(tǒng)使用合成語(yǔ)音合成文本字符串和文件到聲音音頻流，這個(gè)工作是通過(guò)各種語(yǔ)音引擎來(lái)完成的。語(yǔ)音引擎的開(kāi)發(fā)難度大，一般都是利用現(xiàn)有的引擎來(lái)開(kāi)發(fā)TTS系統(tǒng)，微軟所提供的SAPI（全稱The Microsoft Speech API），正是在應(yīng)用程序和語(yǔ)音引擎之間提供一個(gè)高級(jí)別的接口，它實(shí)現(xiàn)了所有必需的對(duì)各種語(yǔ)音引擎的實(shí)時(shí)的控制和管理等低級(jí)別的細(xì)節(jié)。

語(yǔ)音引擎通過(guò)DDI層（設(shè)備驅(qū)動(dòng)接口）和SAPI進(jìn)行交互，應(yīng)用程序通過(guò)API層和SAPI通信。通過(guò)使用這些API，我們可以快速開(kāi)發(fā)在語(yǔ)音識(shí)別或語(yǔ)音合成方面應(yīng)用程序。SAPI應(yīng)用程序編程接口（API）明顯的減少了構(gòu)建一個(gè)使用語(yǔ)音識(shí)別和文本語(yǔ)音轉(zhuǎn)換的應(yīng)用程序所需要的高層代碼，使語(yǔ)音技術(shù)更加容易使用并且更加擴(kuò)大了應(yīng)用的范圍。

SAPI 本身并不能做任何事情，只提供了一系列接口，處于應(yīng)用軟件與語(yǔ)音引擎之間，隔離了應(yīng)用軟件與語(yǔ)音引擎之間的聯(lián)系，使得語(yǔ)音引擎的更換不會(huì)影響到原有應(yīng)用程序的運(yùn)行。

2 系統(tǒng)設(shè)計(jì)及框圖

2.1 系統(tǒng)組成

語(yǔ)音合成播放組件包括一個(gè)語(yǔ)音合成處理服務(wù)、語(yǔ)音播放控制ActiveX控件。

2.2 產(chǎn)品原理

圖2

語(yǔ)音合成服務(wù)器是用來(lái)安裝語(yǔ)音合成處理服務(wù)的主機(jī)，所有的客戶端發(fā)來(lái)的語(yǔ)音合成請(qǐng)求都將在這里處理，這里涉及到一個(gè)多路并發(fā)的問(wèn)題。

語(yǔ)音合成處理服務(wù)在接收到語(yǔ)音合成的請(qǐng)求后，調(diào)用語(yǔ)音引擎產(chǎn)生了相應(yīng)的語(yǔ)音波形文件或是語(yǔ)音流（Steam），然后把這些指定的輸出對(duì)象返回給客戶端請(qǐng)求對(duì)象（ActiveX對(duì)象），控件和服務(wù)器之間的傳輸方式通過(guò)最基本的SOCKET技術(shù)，采用TCP協(xié)議傳輸協(xié)議。

客戶端的ActiveX控件通過(guò)SOCKET向服務(wù)器發(fā)送語(yǔ)音合成的請(qǐng)求后，等待服務(wù)器的輸出響應(yīng)，得到后，根據(jù)WAV語(yǔ)音編碼規(guī)則進(jìn)行解碼，并調(diào)用本地的播放接口（Windows API）來(lái)播放語(yǔ)音。至此完成整個(gè)語(yǔ)音合成播放功能。

對(duì)于不同的客戶端運(yùn)行環(huán)境，客戶端的ActiveX控件有不同的加載方式。

（1）Form方式客戶端。有兩種方案可選：

1）在客戶機(jī)上安裝相應(yīng)的環(huán)境和語(yǔ)音引擎，這樣的話就可以直接在客戶端上進(jìn)行語(yǔ)音合成，而不需要直接從服務(wù)器上取得合成數(shù)據(jù)。優(yōu)勢(shì)是快捷，穩(wěn)定，編程方便。缺點(diǎn)是對(duì)客戶端安裝的軟件需求較高，不太符合實(shí)際。

2）調(diào)用ActiveX控件對(duì)象，進(jìn)行網(wǎng)絡(luò)語(yǔ)音合成。優(yōu)勢(shì)是代碼統(tǒng)一，維護(hù)方便。缺點(diǎn)是編程復(fù)雜。

（2）Web方式客戶端。這種類型可以在客戶瀏覽的語(yǔ)音合成網(wǎng)頁(yè)內(nèi)通過(guò)JavaScript腳本加入對(duì)控件的引用，并通過(guò)腳本來(lái)調(diào)用控件提供的各種接口，從而實(shí)現(xiàn)相應(yīng)的功能。

3 結(jié)束語(yǔ)

系統(tǒng)開(kāi)發(fā)完成后，筆者將該系統(tǒng)應(yīng)用于實(shí)際的礦壓監(jiān)控系統(tǒng)中，軟件運(yùn)行效果良好，能夠在任意IE瀏覽器上正常語(yǔ)音合成報(bào)警文字信息。

語(yǔ)音合成播放組件的實(shí)現(xiàn)提高了系統(tǒng)的友好性，讓用戶能夠得到更好的體驗(yàn)，為今后的語(yǔ)音合成和語(yǔ)音識(shí)別提供了參考和借鑒。

參考文獻(xiàn)：

[1]（美）海杰爾斯伯格，（美）韋爾特馬瑟，（美）戈?duì)柕?韓江，王秀慧，譯.C#編程語(yǔ)言詳解（第2版），2007.

[2]李禹材，左友東，鄭秀清.基于Speech SDK的語(yǔ)音控制應(yīng)用程序的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用，2004（06）.

作者簡(jiǎn)介：丁瑞琦（1981-），男，江蘇常州人，碩士研究生，現(xiàn)主要從事煤礦監(jiān)測(cè)類軟件設(shè)計(jì)與研發(fā)工作。

作者單位：天地（常州）自動(dòng)化股份有限公司，江蘇常州 213000

基金項(xiàng)目：基于GIS的圖形展示組件（項(xiàng)目編號(hào)：14SY001-02）。