ASP.NETプログラムに音声合成を実装する

著者：Eve Cole 更新時間：2009-06-30 16:07:51

最近、音声合成がますます一般的になっていることに気づいたかもしれません。何百もの電子玩具やガジェットは、機械音声で所有者に話しかけることができます。話す赤ちゃん人形、話す歩数計、新しい自動電話システムなど、テキストを使って話す製品がほぼ毎日リリースされています。

Text-to-speech (TTS) テクノロジは、音声合成としても知られ、入力テキストを音声音声に変換するプロセスです。このアプローチは、事前に録音されたテキストよりも優れています。話す内容についての事前の知識が必要です。 TTS を使用すると、動的情報をデータベースから取得したり、ユーザーが繰り返したりすることができます。

1.TTSテスト

TTS が実際に動作しているのを見たり聞いたりしたことがある場合は、ReadPlease 2003 の無料バージョンをダウンロードするとよいでしょう。この製品は、Windows クリップボードからテキストを読み取ることができます。これを使用するには、ReadPlease エディターにテキストを貼り付けるだけです (図 1 を参照)。PC のスピーカーがオンになっていると仮定すると、テキストの再生が聞こえます。現在、この製品はすべての Windows デスクトップ OS バージョンでのみ動作しますが、Mac、Unix、Palm、および Windows CE システム用のバージョンもリリースする予定です。

ReadPlease の興味深い点は、ReadPlease エディタを使用して TTS パラメータの選択を実験できることです。たとえば、図 1 に示す速度スライダーコントロールを上下に動かすことで、アーティキュレーション速度を調整できます。小さな顔アイコンの下にある矢印ボタンをクリックして、使用する音声を変更することもできます。

図 1. ReadPlease 2003 アプリケーション: この Windows アプリケーションは、クリップボードから編集フィールドに貼り付けられたテキストを読み取ることができます。

あなたは何が必要ですか？ Visual Studio.NET 2003、Microsoft 音声アプリケーション SDK 1.1

[ツール] メニューをクリックして [オプション] を選択すると、TTS エディタをさらに試すことができます。たとえば、段落間の音声エンジンの一時停止の長さを調整できます。 ReadPlease Plus バージョンにアップグレードすると、特定の単語の発音方法を指定できる追加の発音エディターオプションにアクセスできるようになります。 ReadPlease Plus には、Windows デスクトップの上部にドッキングできるタスクバーも含まれています。そのため、ファイルベースのアプリケーションからテキストをタスクバーにすばやくドラッグして読み上げることができます。

デフォルトでは、ReadPlease アプリケーションは組み込みの Microsoft 音声 (マーク、マイク、サム、またはマリリン) を使用します。ただし、AT&T Natural Voices Starter Pack で入手可能なものなど、高品質の AT&T Natural Voices をオプションで購入できます。スターターパックには、「マイク」と「クリスタル」の 8K バージョンが含まれており、どちらもデフォルトの Microsoft 音声よりも優れています。

著者注: 8K という用語は、WAV ファイルの作成に使用されるサンプリング周波数が 8000 ビット/秒であることを意味します。もう 1 つの形式は 16k で、よりクリアで自然なリスニング効果を生み出します。基本的に、サンプルレートが高いほど、音質は良くなります。

2. Microsoft Voice アプリケーション開発キット SDK 1.1

2004 年に Microsoft は Microsoft Speech Server をリリースしました。Speech Server 上で実行する Web ベースの音声プログラムを開発できる無料の SDK があります。 SDK を使用すると、電話を使用してコンピュータとユーザーの対話が行われるテレフォニーアプリケーションや音声専用アプリケーションを構築できます。ユーザーが音声または従来の Web コントロールを入力として使用することを選択するマルチモーダルアプリケーションを構築することもできます。

Microsoft TTS エンジンは、単語を音素に分割してテキストを合成します。音素は人間の言語の基本単位です。これらは、単語の音を構成する「音」のグループを表します。抽出された音素は、TTS エンジンによって分析され、デジタルオーディオ音声の生成に使用される記号に変換されます。

この記事に付属するダウンロード可能なサンプルアプリケーション (ExploringTextToSpeech.csproj) を使用して、Microsoft TTS エンジンの構成可能な側面を試すことができます。このマルチモーダルアプリケーションは、テキストを入力できる Web ページ (図 2 を参照) で構成されています。ボタンをクリックすると、次の方法でテキストを聞くことができます。

著者注: 再生されるテキストが事前にわからない場合は、TTS エンジンの使用は避けられませんが、音声を録音することでより良い音質を得ることができます。音声品質が重要な場合は、Microsoft Speech Application Software Development Kit (SASDK) を使用して音声を録音できます。たとえば、録音された音声を使用して、ユーザーに情報を求めることができます。録音されたオーディオは一連のキューに分割され、実行時に連結されます。

· 通常通りテキストを読み上げます - テストベンチマークを提供します

· 頭字語として言う - テキスト「ASP」は「ASP」によって生成されます。

・名前を言う - ジョン・ドゥ氏が攻撃された「ミスター・ジョン・ドゥ」

· Say As Date - この場合、日付は月、日、年の形式になります。

· Web アドレスとして言う - この場合、テキストは URI (Uniform Resource Identifier) としてフォーマットされます。

· 数字として言う - テキストとして入力された数値は一連の数字として表現されます。

· 高ピッチ/スローレート - テキストはゆっくりと高ピッチで出力されます。

· レートを速く/音量を大きくする - テキストは速い高ピッチで出力されます。

· 低音/音量ソフト - テキストは低音で適度な音量で出力されます。

図 2. サンプルアプリケーション - このアプリケーションを使用して、さまざまな方法で話されたテキストを聞くことができます。

マルチモーダルアプリケーションは、プロンプトコントロールを使用して、ユーザーに再生されるオーディオを指定します。プロンプトコントロールには InlineContent プロパティが含まれており、Content または Value の基本的な Speech コントロールを含めることができます。 Content コントロールは、保存されたオーディオ録音を含む特定のプロンプトファイルを指定します。 Value コントロールは、HTML Web ページ内の要素を指定します。サンプルアプリケーションでは、txtText という名前の入力要素 (図 2 の「ここにテキストを入力してください:」フィールド内) を参照する Value コントロールを使用します。プロンプトに使用される注釈を説明する HTML は次のとおりです。

＜speech:prompt id="prmText" runat="server">
＜インラインコンテンツ＞
＜speech:Value runat="サーバー"
TargetElement="txtText"
TargetAttribute="値">
＜/スピーチ:値＞
＜/インラインコンテンツ＞
＜/スピーチ:プロンプト＞

3. 音声合成アノテーション言語

TTS エンジンは、InlineContent 属性によって参照されるテキストの再生方法について特定のデフォルトの仮定を立てますが、開発者は音声合成マークアップ言語 (SSML) 要素を使用して、TTS エンジンが音声を生成する方法を制御できます。 W3C Association の推奨によれば、SSML は XML ベースのマークアップ言語です。表 1 に、SASDK でサポートされる SSML 要素を示します。

表 1. サポートされる SSML 要素: この表には、SASDK によってサポートされ、TTS エンジンがテキストを生成する方法を制御するために使用される SSML 要素がリストされています。

SSML 要素の	説明
ssml:paragraph/ssml:sentence は、	テキストを文または段落に分割するために使用されます。
ssml:say-as は、	テキストの再生方法を指定するために使用されます。テキストのタイプを指定するために、いくつかの異なる属性を受け入れます。
ssml:phoneme は、	単語の発音を制御するために使用されます。
ssml:sub は、	指定されたテキストを置き換える置換単語または語句を指定するために使用されます。
ssml:emphasis は、	単語またはフレーズにかかる強調を高めるために使用されます。
ssml:break は、	テキスト内の特定の単語の間に一時停止を挿入するために使用されます。
ssml:prosody は	ピッチ、レート、音量を制御するために使用されます。
ssml:audio は、	録音された音声ファイルを挿入するために使用されます。
ssml:mark は	、テキスト内の特定の位置にマークを挿入するために使用されます。このタグは、イベントを表したり、動作をトリガーしたりするために使用できます。

このサンプルアプリケーションでは、say-as 要素と prosodySSML 要素の使用方法を示します。 Default.aspx ページの各ボタンは、プロンプトコントロールに対応します。これらのプロンプトコントロールには、InlineContent 要素内に ssml:say-as 要素または ssml:prosody 要素が含まれています。次の例は、これらの要素のいずれかの HTML マークアップを示しています。

＜speech:prompt id="prmSayAsAcronym" runat="server">
＜インラインコンテンツ＞
＜ssml:say-as type="頭字語">
＜speech:Value runat="サーバー"
TargetElement="txtText"
TargetAttribute="value"></speech:Value>
＜/ssml:say-as＞
＜/インラインコンテンツ＞
＜/スピーチ:プロンプト＞

ユーザーがこれらのボタンのいずれかをクリックすると、以下に示す JavaScript が実行されます。

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

上の例では、prmSayAsAcronym という名前のプロンプトに ssml:say-as 要素が含まれています。これは、txtText 入力要素に含まれるテキストが各単語の最初の文字で出力されるように指定します。したがって、テキスト要素に「ASP」と入力し、「頭字語として言う」をクリックすると、TTS エンジンが各文字を読み上げます。

サンプルアプリケーションを試してみるには、いくつかのテキストスニペットを入力し、各ボタンをクリックして、TTS エンジンがテキストをどのように解釈するかを確認できます。要素の値を変更し、各コントロールの生成方法を試してみることをお勧めします。 SASDK を使用すると、開発者は TTS エンジンがテキストを生成する方法を適切に制御できるため、実験によりより自然な音声ベースのアプリケーションが得られる可能性があります。