Implémenter la synthèse vocale dans le programme ASP.NET

Auteur：Eve Cole Date de mise à jour：2009-06-30 16:07:51

Vous avez peut-être remarqué que la synthèse vocale est de plus en plus courante de nos jours. Des centaines de jouets et gadgets électroniques sont capables de parler à leurs propriétaires avec des voix de machine. Qu'il s'agisse d'une poupée parlante, d'un podomètre parlant ou d'un nouveau système téléphonique automatisé, un produit qui utilise le texte pour parler est lancé presque chaque jour.

La technologie de synthèse vocale (TTS), également connue sous le nom de synthèse vocale, est le processus de conversion du texte saisi en parole audio. Cette approche est meilleure qu'un texte préenregistré : elle nécessite une connaissance préalable de ce qui doit être dit. Avec TTS, il est possible d'ajouter des informations dynamiques. Les informations dynamiques peuvent provenir d'une base de données ou être répétées par l'utilisateur.

1. Test TTS

Si vous avez vu ou entendu parler de TTS en action, vous souhaiterez peut-être télécharger une version gratuite de Readplease 2003. Ce produit est capable de lire le texte du presse-papiers Windows. Pour l'utiliser, collez simplement du texte dans l'éditeur Readplease (voir Figure 1) - et en supposant que les haut-parleurs de votre PC soient allumés, vous entendrez le texte lu. Actuellement, le produit ne fonctionne que sur toutes les versions du système d'exploitation de bureau Windows, mais ils prévoient également de publier des versions pour les systèmes Mac, Unix, Palm et Windows CE.

La chose intéressante à propos de Readplease est que vous pouvez utiliser l'éditeur Readplease pour expérimenter vos sélections de paramètres TTS. Par exemple, vous pouvez régler la vitesse d'articulation en déplaçant le curseur de vitesse illustré dans la figure 1 vers le haut ou vers le bas. Vous pouvez également modifier la voix utilisée en cliquant sur le bouton fléché sous la petite icône en forme de visage.

Figure 1. Application Readplease 2003 : cette application Windows peut lire n'importe quel texte collé depuis le presse-papiers dans un champ d'édition.

De quoi avez-vous besoin? Visual Studio.NET 2003, SDK d'applications vocales Microsoft 1.1

Cliquer sur le menu « Outils », puis sélectionner « Options » vous permet d'expérimenter davantage avec l'éditeur TTS, par exemple, vous pouvez ajuster la durée des pauses du moteur vocal entre les paragraphes ; La mise à niveau vers la version Readplease Plus vous donnera accès à une option d'éditeur de prononciation supplémentaire qui vous permettra de spécifier comment prononcer un mot particulier. Readplease Plus comprend également une barre des tâches que vous pouvez ancrer en haut de votre bureau Windows. Ainsi, vous pouvez rapidement faire glisser le texte de n'importe quelle application basée sur un fichier vers la barre des tâches et le lire.

Par défaut, l'application Readplease utilise la voix Microsoft intégrée (Mark, Mike, Sam ou Marilyn). Cependant, vous pouvez éventuellement acheter des voix naturelles AT&T de meilleure qualité, telles que celles disponibles dans le pack de démarrage AT&T Natural Voices. Le Starter Pack comprend les versions 8K de « Mike » et « Crystal », qui sonnent toutes deux mieux que les voix Microsoft par défaut.

Note de l'auteur : Le terme 8K signifie que la fréquence d'échantillonnage utilisée pour créer des fichiers WAV est de 8 000 bits par seconde. Un autre format est le 16k, qui produit un effet d'écoute plus clair et plus naturel. Fondamentalement, plus la fréquence d’échantillonnage est élevée, meilleure est la qualité sonore.

2. Kit de développement d'applications vocales Microsoft SDK 1.1

En 2004, Microsoft a publié Microsoft Speech Server et il existe un SDK gratuit qui vous permet de développer des programmes vocaux basés sur le Web qui s'exécutent sur Speech Server. Vous pouvez utiliser le SDK pour créer des applications de téléphonie ou vocales uniquement, dans lesquelles l'interaction ordinateur-utilisateur s'effectue à l'aide du téléphone. Vous pouvez également créer des applications multimodales dans lesquelles l'utilisateur choisit d'utiliser des commandes vocales ou Web traditionnelles comme entrée.

Le moteur Microsoft TTS synthétise le texte en divisant les mots en phonèmes. Les phonèmes sont les unités de base du langage humain. Ils représentent un groupe de « sons » qui composent les sons d'un mot. Les phonèmes extraits sont ensuite analysés par le moteur TTS et convertis en symboles utilisés pour générer la parole audio numérique.

Vous pouvez utiliser l’exemple d’application téléchargeable qui accompagne cet article (ExploringTextToSpeech.csproj) pour expérimenter les aspects configurables du moteur Microsoft TTS. Cette application multimodale consiste en une page Web (voir Figure 2) dans laquelle vous pouvez saisir du texte. Vous pouvez ensuite cliquer sur un bouton pour écouter le texte de la manière suivante.

Note de l'auteur : L'utilisation d'un moteur TTS est inévitable lorsque le texte à lire ne peut pas être connu à l'avance. Cependant, vous pouvez obtenir une meilleure qualité sonore en enregistrant l'audio. Lorsque la qualité audio est critique, vous pouvez utiliser le kit de développement logiciel d'application Microsoft Speech (SASDK) pour enregistrer de l'audio. Par exemple, vous souhaiterez peut-être utiliser de l'audio enregistré pour demander des informations à l'utilisateur. L'audio enregistré peut être décomposé en une série de signaux, qui sont ensuite concaténés au moment de l'exécution.

· Parler le texte normalement - Fournit un test de référence

· Dites sous forme d'acronyme - Le texte "ASP" est généré par "ASP"

· Dites comme Nom-M. John Doe a été attaqué "Mister John Doe"

· Dire comme date - Dans ce cas, la date est formatée comme : mois, jour, année

· Dites comme adresse Web - Dans ce cas, le texte est formaté comme un identifiant de ressource uniforme (URI)

· Dites sous forme de chiffres - Les nombres saisis sous forme de texte sont représentés par une série de chiffres

· High Pitch/Slow Rate - Le texte est émis lentement et avec une hauteur élevée.

· Rate Fast/Volume Loud - Le texte est émis à un ton élevé et rapide.

· Low Pitch/Volume Soft-Le texte est émis dans une tonalité grave à un volume modéré.

Figure 2. Exemple d'application - Vous pouvez utiliser cette application pour écouter du texte prononcé de différentes manières.

L'application multimodale utilise un contrôle d'invite pour spécifier l'audio qui sera lu à l'utilisateur. Le contrôle d'invite contient la propriété InlineContent - il peut contenir un contrôle Speech de base qui est soit Content, soit Value. Le contrôle Contenu spécifie un fichier d'invite spécifique contenant l'enregistrement audio stocké. Le contrôle Value spécifie un élément dans une page Web HTML. L’exemple d’application utilise un contrôle Value qui fait référence à un élément d’entrée nommé txtText (dans le champ « Tapez du texte ici : » dans la figure 2). Voici le code HTML décrivant l'annotation utilisée pour une invite :

＜parole:prompt id="prmText" runat="serveur"＞
＜Contenu en ligne＞
＜discours :Valeur runat="serveur"
TargetElement="txtTexte"
TargetAttribute="valeur">
＜/discours :Valeur＞
＜/Contenu en ligne＞
＜/discours:invite＞

3. Langage d'annotation de synthèse vocale

Le moteur TTS fait certaines hypothèses par défaut sur la façon de lire le texte référencé par l'attribut InlineContent, mais les développeurs peuvent contrôler la façon dont le moteur TTS génère l'audio à l'aide d'éléments SSML (Speech Synthesis Markup Language). Selon la recommandation de l'association W3C, SSML est un langage de balisage basé sur XML. Le tableau 1 répertorie les éléments SSML pris en charge par SASDK.

Tableau 1. Éléments SSML pris en charge : le tableau répertorie les éléments SSML pris en charge par le SASDK et utilisés pour contrôler la manière dont le moteur TTS génère du texte.

Description	de l'élément SSML
ssml:paragraph/ssml:sentence	est utilisé pour diviser le texte en phrases ou en paragraphes.
ssml:say-as	est utilisé pour spécifier comment lire le texte. Il accepte plusieurs attributs différents pour spécifier le type de texte.
ssml:phonème	est utilisé pour contrôler la prononciation d'un mot.
ssml:sub	est utilisé pour spécifier un mot ou une expression de remplacement pour remplacer le texte spécifié.
ssml:emphase	est utilisé pour augmenter l'accent mis sur un mot ou une phrase.
ssml:break	est utilisé pour insérer des pauses entre certains mots du texte.
ssml:prosody	est utilisé pour contrôler la hauteur, le débit et le volume.
ssml:audio	est utilisé pour insérer des fichiers audio enregistrés.
ssml:mark	est utilisé pour insérer une marque à une certaine position dans le texte. Cette balise peut ensuite être utilisée pour représenter un événement ou déclencher un comportement.

Cet exemple d'application illustre l'utilisation des éléments say-as et prosodySSML. Chaque bouton de la page Default.aspx correspond à un contrôle d'invite. Ces contrôles d'invite incluent un élément ssml:say-as ou ssml:prosody dans l'élément InlineContent. L'exemple suivant montre le balisage HTML pour l'un de ces éléments :

＜speech:prompt id="prmSayAsAcronym" runat="server"＞
＜Contenu en ligne＞
＜ssml:say-as type="acronyme"＞
＜discours :Valeur runat="serveur"
TargetElement="txtTexte"
TargetAttribute="value"></speech:Value>
＜/ssml:dire-comme＞
＜/Contenu en ligne＞
＜/discours:invite＞

Lorsque l'utilisateur clique sur l'un de ces boutons, il exécute le JavaScript illustré ci-dessous :

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

Dans l'exemple ci-dessus, l'invite nommée prmSayAsAcronym inclut l'élément ssml:say-as, qui spécifie que tout texte contenu dans un élément d'entrée txtText doit être émis avec la première lettre de chaque mot. Ainsi, si vous tapez « ASP » dans un élément de texte et cliquez sur « Dire comme acronyme », le moteur TTS lira chaque lettre.

Pour expérimenter l'exemple d'application, vous pouvez saisir des extraits de texte et cliquer sur chaque bouton pour voir comment le moteur TTS interprète le texte. Je vous recommande de modifier les valeurs des éléments et d'expérimenter la façon dont chaque contrôle est généré. Le SASDK donne aux développeurs un bon contrôle sur la façon dont le moteur TTS génère le texte, de sorte que l'expérimentation peut conduire à une application basée sur la parole plus naturelle.