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

關(guān)鍵詞：語音合成；TTS；音頻流播放

中圖分類號：TP391.42

1 引言

1.1 簡介

語音合成又名文句轉(zhuǎn)語音（Text-To-Speech，TTS），它是指將輸入的文字或儲存于電腦中的文件模擬人聲發(fā)出語音的技術(shù)。語音合成較語音辨識的發(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，語音指引，互動回饋或輔助說明。

1.2 相關(guān)技術(shù)介紹

語音合成技術(shù)示意圖如圖1所示：

圖1

語音合成主要是將一段文字進行分析，通過對文字的文句分析、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，再對其進行重組后生成波形，最后形成我們能聽到的聲音。

目前語音合成產(chǎn)品很多，但所有的語音合成的技術(shù)都差不多，總的來說，語音引擎可以劃分為4個模組：

（1）文句分析。分析文句的語法與語義后專程語言特征參數(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)音時到哪應(yīng)該停頓，停頓多長等等。

（2）韻律產(chǎn)生器。將語言特征參數(shù)送入韻律產(chǎn)生器來產(chǎn)生文句的每個音節(jié)對應(yīng)韻律信息，包含基頻軌跡，音量，音長等。

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

（4）語音合成器。根據(jù)需要發(fā)的音從聲音資料庫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)，透過語音合成演算法產(chǎn)生語音。

1.3 SAPI技術(shù)

TTS系統(tǒng)使用合成語音合成文本字符串和文件到聲音音頻流，這個工作是通過各種語音引擎來完成的。語音引擎的開發(fā)難度大，一般都是利用現(xiàn)有的引擎來開發(fā)TTS系統(tǒng)，微軟所提供的SAPI（全稱The Microsoft Speech API），正是在應(yīng)用程序和語音引擎之間提供一個高級別的接口，它實現(xiàn)了所有必需的對各種語音引擎的實時的控制和管理等低級別的細節(jié)。

語音引擎通過DDI層（設(shè)備驅(qū)動接口）和SAPI進行交互，應(yīng)用程序通過API層和SAPI通信。通過使用這些API，我們可以快速開發(fā)在語音識別或語音合成方面應(yīng)用程序。SAPI應(yīng)用程序編程接口（API）明顯的減少了構(gòu)建一個使用語音識別和文本語音轉(zhuǎn)換的應(yīng)用程序所需要的高層代碼，使語音技術(shù)更加容易使用并且更加擴大了應(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)用軟件與語音引擎之間，隔離了應(yīng)用軟件與語音引擎之間的聯(lián)系，使得語音引擎的更換不會影響到原有應(yīng)用程序的運行。

2 系統(tǒng)設(shè)計及框圖

2.1 系統(tǒng)組成

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

2.2 產(chǎn)品原理

圖2

語音合成服務(wù)器是用來安裝語音合成處理服務(wù)的主機，所有的客戶端發(fā)來的語音合成請求都將在這里處理，這里涉及到一個多路并發(fā)的問題。

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

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

對于不同的客戶端運行環(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）在客戶機上安裝相應(yīng)的環(huán)境和語音引擎，這樣的話就可以直接在客戶端上進行語音合成，而不需要直接從服務(wù)器上取得合成數(shù)據(jù)。優(yōu)勢是快捷，穩(wěn)定，編程方便。缺點是對客戶端安裝的軟件需求較高，不太符合實際。

2）調(diào)用ActiveX控件對象，進行網(wǎng)絡(luò)語音合成。優(yōu)勢是代碼統(tǒng)一，維護方便。缺點是編程復(fù)雜。

（2）Web方式客戶端。這種類型可以在客戶瀏覽的語音合成網(wǎng)頁內(nèi)通過JavaScript腳本加入對控件的引用，并通過腳本來調(diào)用控件提供的各種接口，從而實現(xiàn)相應(yīng)的功能。

3 結(jié)束語

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

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

參考文獻：

[1]（美）海杰爾斯伯格，（美）韋爾特馬瑟，（美）戈爾德.韓江，王秀慧，譯.C#編程語言詳解（第2版），2007.

[2]李禹材，左友東，鄭秀清.基于Speech SDK的語音控制應(yīng)用程序的設(shè)計與實現(xiàn)[J].計算機應(yīng)用，2004（06）.

作者簡介：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)測類軟件設(shè)計與研發(fā)工作。

作者單位：天地（常州）自動化股份有限公司，江蘇常州 213000

基金項目：基于GIS的圖形展示組件（項目編號：14SY001-02）。