Implementieren Sie die Sprachsynthese im ASP.NET-Programm

Autor：Eve Cole Aktualisierungszeit：2009-06-30 16:07:51

Sie haben vielleicht bemerkt, dass die Sprachsynthese heutzutage immer häufiger vorkommt. Hunderte elektronische Spielzeuge und Gadgets sind in der Lage, mit Maschinenstimmen mit ihren Besitzern zu sprechen. Ob es sich um eine sprechende Babypuppe, einen sprechenden Schrittzähler oder ein neues automatisches Telefonsystem handelt, fast täglich kommt ein Produkt auf den Markt, das Text zum Sprechen nutzt.

Bei der Text-to-Speech-Technologie (TTS), auch Sprachsynthese genannt, wird Eingabetext in Audiosprache umgewandelt. Dieser Ansatz ist besser als vorab aufgezeichneter Text – er erfordert Vorkenntnisse darüber, was gesagt werden soll. Mit TTS ist es möglich, dynamische Informationen hinzuzufügen. Die dynamischen Informationen können aus einer Datenbank stammen oder vom Benutzer wiederholt werden.

1. TTS-Test

Wenn Sie TTS in Aktion gesehen oder davon gehört haben, möchten Sie vielleicht eine kostenlose Version von ReadPlease 2003 herunterladen. Dieses Produkt ist in der Lage, Text aus der Windows-Zwischenablage zu lesen. Um es zu verwenden, fügen Sie einfach Text in den ReadPlease-Editor ein (siehe Abbildung 1) – und vorausgesetzt, die Lautsprecher Ihres PCs sind eingeschaltet, hören Sie die Textwiedergabe. Derzeit funktioniert das Produkt nur auf allen Windows-Desktop-Betriebssystemversionen, es ist jedoch geplant, auch Versionen für Mac-, Unix-, Palm- und Windows CE-Systeme zu veröffentlichen.

Das Interessante an ReadPlease ist, dass Sie den ReadPlease-Editor verwenden können, um mit Ihrer TTS-Parameterauswahl zu experimentieren. Sie können beispielsweise die Artikulationsgeschwindigkeit anpassen, indem Sie den in Abbildung 1 gezeigten Geschwindigkeitsschieberegler nach oben oder unten bewegen. Sie können die verwendete Stimme auch ändern, indem Sie auf die Pfeilschaltfläche unter dem kleinen Gesichtssymbol klicken.

Abbildung 1. ReadPlease 2003-Anwendung: Diese Windows-Anwendung kann jeden Text lesen, der aus der Zwischenablage in ein Bearbeitungsfeld eingefügt wird.

Was brauchen Sie? Visual Studio.NET 2003, Microsoft Speech Applications SDK 1.1

Wenn Sie auf das Menü „Extras“ klicken und dann „Optionen“ auswählen, können Sie weiter mit dem TTS-Editor experimentieren und beispielsweise die Länge der Pausen der Sprach-Engine zwischen den Absätzen anpassen. Durch ein Upgrade auf die ReadPlease Plus-Version erhalten Sie Zugriff auf eine zusätzliche Aussprache-Editor-Option, mit der Sie festlegen können, wie ein bestimmtes Wort ausgesprochen werden soll. ReadPlease Plus enthält außerdem eine Taskleiste, die Sie oben auf Ihrem Windows-Desktop andocken können. So können Sie Text aus jeder dateibasierten Anwendung schnell auf die Taskleiste ziehen und sich ihn vorlesen lassen.

Standardmäßig verwendet die ReadPlease-Anwendung die integrierte Microsoft-Stimme (Mark, Mike, Sam oder Marilyn). Sie können jedoch optional höherwertige AT&T Natural Voices erwerben, beispielsweise die im AT&T Natural Voices Starter Pack enthaltenen. Das Starter Pack enthält 8K-Versionen von „Mike“ und „Crystal“, die beide besser klingen als die Standardstimmen von Microsoft.

Anmerkung des Autors: Der Begriff 8K bedeutet, dass die zum Erstellen von WAV-Dateien verwendete Abtastfrequenz 8000 Bit pro Sekunde beträgt. Ein anderes Format ist 16k, das einen klareren und natürlicheren Höreffekt erzeugt. Grundsätzlich gilt: Je höher die Samplerate, desto besser die Klangqualität.

2. Microsoft Voice Application Development Kit SDK 1.1

Im Jahr 2004 veröffentlichte Microsoft Microsoft Speech Server und es gibt ein kostenloses SDK, mit dem Sie webbasierte Sprachprogramme entwickeln können, die auf Speech Server ausgeführt werden. Mit dem SDK können Sie Telefonie- oder reine Sprachanwendungen erstellen, bei denen die Computer-zu-Benutzer-Interaktion über das Telefon erfolgt. Sie können auch multimodale Anwendungen erstellen, bei denen der Benutzer Sprach- oder herkömmliche Web-Steuerelemente als Eingabe verwenden möchte.

Die Microsoft TTS-Engine synthetisiert Text durch Aufteilen von Wörtern in Phoneme. Phoneme sind die Grundeinheiten der menschlichen Sprache. Sie stellen eine Gruppe von „Lauten“ dar, aus denen sich die Laute eines Wortes zusammensetzen. Die extrahierten Phoneme werden dann von der TTS-Engine analysiert und in Symbole umgewandelt, die zur Erzeugung digitaler Audiosprache verwendet werden.

Sie können die herunterladbare Beispielanwendung, die diesem Artikel beiliegt (ExploringTextToSpeech.csproj), verwenden, um mit den konfigurierbaren Aspekten der Microsoft TTS-Engine zu experimentieren. Diese multimodale Anwendung besteht aus einer Webseite (siehe Abbildung 2), in die Sie Text eingeben können. Sie können dann auf eine Schaltfläche klicken, um den Text wie folgt anzuhören.

Anmerkung des Autors: Der Einsatz einer TTS-Engine ist unvermeidlich, wenn der abzuspielende Text nicht im Voraus bekannt ist. Sie können jedoch eine bessere Klangqualität erzielen, indem Sie Audio aufzeichnen. Wenn die Audioqualität von entscheidender Bedeutung ist, können Sie zum Aufzeichnen von Audio das Microsoft Speech Application Software Development Kit (SASDK) verwenden. Beispielsweise möchten Sie möglicherweise aufgezeichnetes Audio verwenden, um den Benutzer mit Informationen aufzufordern. Das aufgezeichnete Audio kann in eine Reihe von Hinweisen zerlegt werden, die dann zur Laufzeit verkettet werden.

· Text normal sprechen – Bietet einen Test-Benchmark

· Sagen Sie als Akronym – Der Text „ASP“ wird von „ASP“ generiert.

· Nennen Sie Ihren Namen: Mr. John Doe wurde angegriffen: „Mister John Doe“

· Sagen Sie „Als Datum“ – In diesem Fall wird das Datum wie folgt formatiert: Monat, Tag, Jahr

· Als Webadresse sagen – In diesem Fall wird der Text als Uniform Resource Identifier (URI) formatiert.

· Als Ziffern sagen – Als Text eingegebene Zahlen werden als Ziffernfolge dargestellt

· Hohe Tonhöhe/langsame Rate – Der Text wird langsam und in hoher Tonhöhe ausgegeben.

· Schnelle Geschwindigkeit/laute Lautstärke – Der Text wird mit hoher Geschwindigkeit ausgegeben.

· Niedrige Tonhöhe/Leise Lautstärke – Der Text wird in niedriger Tonhöhe und mäßiger Lautstärke ausgegeben.

Abbildung 2. Beispielanwendung – Mit dieser Anwendung können Sie gesprochenen Text auf verschiedene Weise anhören.

Die multimodale Anwendung verwendet eine Eingabeaufforderungssteuerung, um das Audio anzugeben, das dem Benutzer abgespielt wird. Das Eingabeaufforderungssteuerelement enthält die Eigenschaft „InlineContent“ – es kann ein grundlegendes Sprachsteuerelement enthalten, das entweder „Inhalt“ oder „Wert“ ist. Das Inhaltssteuerelement gibt eine bestimmte Eingabeaufforderungsdatei an, die die gespeicherte Audioaufzeichnung enthält. Das Wertsteuerelement gibt ein Element in einer HTML-Webseite an. Die Beispielanwendung verwendet ein Value-Steuerelement, das auf ein Eingabeelement namens txtText verweist (im Feld „Geben Sie hier etwas Text ein:“ in Abbildung 2). Hier ist der HTML-Code, der die für eine Eingabeaufforderung verwendete Anmerkung beschreibt:

＜speech:prompt id="prmText" runat="server"＞
＜InlineContent＞
＜speech:Value runat="server"
TargetElement="txtText"
TargetAttribute="value">
＜/speech:Value＞
＜/InlineContent＞
＜/speech:prompt＞

3. Annotationssprache für die Sprachsynthese

Die TTS-Engine geht von bestimmten Standardannahmen hinsichtlich der Wiedergabe von Text aus, auf den durch das InlineContent-Attribut verwiesen wird. Entwickler können jedoch mithilfe von SSML-Elementen (Speech Synthesis Markup Language) steuern, wie die TTS-Engine Audio generiert. Gemäß der Empfehlung der W3C Association ist SSML eine XML-basierte Auszeichnungssprache. Tabelle 1 listet die von SASDK unterstützten SSML-Elemente auf.

Tabelle 1. Unterstützte SSML-Elemente: Die Tabelle listet die vom SASDK unterstützten SSML-Elemente auf, die zur Steuerung der Art und Weise verwendet werden, wie die TTS-Engine Text generiert.

Beschreibung	des SSML-Elements
ssml:paragraph/ssml:sentence	wird verwendet, um Text in Sätze oder Absätze zu unterteilen.
ssml:say-as	wird verwendet, um anzugeben, wie Text abgespielt wird. Es akzeptiert mehrere verschiedene Attribute, um die Art des Textes anzugeben.
ssml:phoneme	wird verwendet, um die Aussprache eines Wortes zu steuern.
ssml:sub	wird verwendet, um ein Ersatzwort oder eine Ersatzphrase anzugeben, die den angegebenen Text ersetzt.
ssml:emphasis	wird verwendet, um die Betonung eines Wortes oder einer Phrase zu erhöhen.
ssml:break	wird verwendet, um einige Pausen zwischen bestimmten Wörtern im Text einzufügen.
ssml:prosody	wird zur Steuerung von Tonhöhe, Geschwindigkeit und Lautstärke verwendet.
ssml:audio	wird zum Einfügen aufgenommener Audiodateien verwendet.
ssml:mark	wird verwendet, um eine Markierung an einer bestimmten Position im Text einzufügen. Dieses Tag kann dann verwendet werden, um ein Ereignis darzustellen oder ein Verhalten auszulösen.

Diese Beispielanwendung veranschaulicht die Verwendung von say-as- und prosodySSML-Elementen. Jede Schaltfläche auf der Seite „Default.aspx“ entspricht einem Eingabeaufforderungssteuerelement. Diese Eingabeaufforderungssteuerelemente umfassen ein ssml:say-as- oder ein ssml:prosody-Element innerhalb des InlineContent-Elements. Das folgende Beispiel zeigt das HTML-Markup für eines dieser Elemente:

＜speech:prompt id="prmSayAsAcronym" runat="server"＞
＜InlineContent＞
＜ssml:say-as type="acronym"＞
＜speech:Value runat="server"
TargetElement="txtText"
TargetAttribute="value"></speech:Value>
＜/ssml:say-as＞
＜/InlineContent＞
＜/speech:prompt＞

Wenn der Benutzer auf eine dieser Schaltflächen klickt, führt er das unten gezeigte JavaScript aus:

Funktion SayAsAcronym() {
prmSayAsAcronym.Start();
}

Im obigen Beispiel enthält die Eingabeaufforderung mit dem Namen prmSayAsAcronym das Element ssml:say-as, das angibt, dass jeder in einem txtText-Eingabeelement enthaltene Text mit dem ersten Buchstaben jedes Wortes ausgegeben werden soll. Wenn Sie also „ASP“ in ein Textelement eingeben und auf „Als Akronym sagen“ klicken, liest die TTS-Engine jeden Buchstaben.

Um mit der Beispielanwendung zu experimentieren, können Sie einige Textausschnitte eingeben und auf die einzelnen Schaltflächen klicken, um zu sehen, wie die TTS-Engine den Text interpretiert. Ich empfehle, dass Sie Elementwerte ändern und mit der Art und Weise experimentieren, wie jedes Steuerelement generiert wird. Das SASDK gibt Entwicklern eine gute Kontrolle darüber, wie die TTS-Engine Text generiert, sodass Experimente zu einer natürlicheren sprachbasierten Anwendung führen können.