Implementar síntese de fala no programa ASP.NET

Autor：Eve Cole Data da Última Atualização：2009-06-30 16:07:51

Você deve ter notado que a síntese de fala está se tornando cada vez mais comum atualmente. Centenas de brinquedos e aparelhos eletrônicos são capazes de falar com seus proprietários por meio de vozes mecânicas. Seja uma boneca falante, um pedômetro falante ou um novo sistema telefônico automatizado, quase todos os dias é lançado um produto que usa texto para falar.

A tecnologia de conversão de texto em fala (TTS), também conhecida como síntese de fala, é o processo de conversão de texto de entrada em fala de áudio. Esta abordagem é melhor do que o texto pré-gravado – requer conhecimento prévio do que deve ser dito. Com o TTS é possível adicionar informações dinâmicas. As informações dinâmicas podem vir de um banco de dados ou podem ser repetidas pelo usuário.

1. Teste TTS

Se você já viu ou ouviu falar do TTS em ação, talvez queira baixar uma versão gratuita do ReadPlease 2003. Este produto é capaz de ler texto da área de transferência do Windows. Para usá-lo, basta colar algum texto no editor ReadPlease (veja a Figura 1) - e supondo que os alto-falantes do PC estejam ligados, você ouvirá a reprodução do texto. Atualmente, o produto funciona apenas em todas as versões do sistema operacional Windows para desktop, mas eles também planejam lançar versões para sistemas Mac, Unix, Palm e Windows CE.

O interessante do ReadPlease é que você pode usar o editor ReadPlease para experimentar suas seleções de parâmetros TTS. Por exemplo, você pode ajustar a velocidade da articulação movendo o controle deslizante Velocidade mostrado na Figura 1 para cima ou para baixo. Você também pode alterar a voz usada clicando no botão de seta abaixo do ícone do rostinho.

Figura 1. Aplicativo ReadPlease 2003: Este aplicativo do Windows pode ler qualquer texto colado da área de transferência em um campo de edição.

O que você precisa? Visual Studio.NET 2003, SDK de aplicativos de fala da Microsoft 1.1

Clicar no menu "Ferramentas" e selecionar "Opções" permite que você experimente ainda mais o editor TTS, por exemplo, você pode ajustar a duração das pausas do mecanismo de fala entre os parágrafos; Atualizar para a versão ReadPlease Plus lhe dará acesso a uma opção adicional de editor de pronúncia que permite especificar como pronunciar uma palavra específica. ReadPlease Plus também inclui uma barra de tarefas que você pode encaixar na parte superior da área de trabalho do Windows. Assim, você pode arrastar rapidamente o texto de qualquer aplicativo baseado em arquivo para a barra de tarefas e lê-lo para você.

Por padrão, o aplicativo ReadPlease usa a voz integrada da Microsoft (Mark, Mike, Sam ou Marilyn). No entanto, você pode opcionalmente adquirir AT&T Natural Voices de alta qualidade, como aqueles disponíveis no AT&T Natural Voices Starter Pack. O Starter Pack inclui versões 8K de “Mike” e “Crystal”, ambos com som melhor do que as vozes padrão da Microsoft.

Nota do autor: O termo 8K significa que a frequência de amostragem usada para criar arquivos WAV ocorre a 8.000 bits por segundo. Outro formato é o 16k, que produz um efeito de audição mais nítido e natural. Basicamente, quanto maior a taxa de amostragem, melhor será a qualidade do som.

2. Kit de desenvolvimento de aplicativos de voz Microsoft SDK 1.1

Em 2004, a Microsoft lançou o Microsoft Speech Server, e há um SDK gratuito que permite desenvolver programas de fala baseados na Web que são executados no Speech Server. Você pode usar o SDK para criar aplicativos de telefonia ou apenas de voz - onde a interação entre computador e usuário é obtida usando o telefone. Você também pode criar aplicativos multimodais onde o usuário escolhe usar voz ou controles tradicionais da web como entrada.

O mecanismo Microsoft TTS sintetiza texto dividindo palavras em fonemas. Os fonemas são as unidades básicas da linguagem humana. Eles representam um grupo de “sons” que constituem os sons de uma palavra. Os fonemas extraídos são então analisados pelo mecanismo TTS e convertidos em símbolos usados para gerar fala de áudio digital.

Você pode usar o aplicativo de exemplo para download que acompanha este artigo (ExploringTextToSpeech.csproj) para experimentar os aspectos configuráveis do mecanismo Microsoft TTS. Este aplicativo multimodal consiste em uma página web (veja a Figura 2) na qual você pode inserir algum texto. Você pode então clicar em um botão para ouvir o texto da seguinte maneira.

Nota do autor: O uso de um mecanismo TTS é inevitável quando o texto a ser reproduzido não pode ser conhecido antecipadamente; no entanto, você pode obter melhor qualidade de som gravando áudio; Quando a qualidade do áudio é crítica, você pode usar o Microsoft Speech Application Software Development Kit (SASDK) para gravar áudio. Por exemplo, você pode querer usar áudio gravado para solicitar informações ao usuário. O áudio gravado pode ser dividido em uma série de sugestões, que são então concatenadas em tempo de execução.

· Falar texto normalmente - fornece um benchmark de teste

· Say como Sigla - O texto "ASP" é gerado por "ASP"

· Diga como nome-Mr.John Doe foi atacado "Mister John Doe"

· Say As Date - Neste caso, a data é formatada como: mês, dia, ano

· Diga como endereço da Web - Neste caso, o texto é formatado como um Uniform Resource Identifier (URI)

· Diga como dígitos - Os números inseridos como texto são representados como uma série de dígitos

· Tom alto/taxa lenta - O texto é emitido lentamente e em tom alto.

· Taxa rápida/volume alto - O texto é emitido em um tom rápido e alto.

· Tom Baixo/Volume Suave - O texto é emitido em tom baixo e volume moderado.

Figura 2. Exemplo de aplicativo - Você pode usar esse aplicativo para ouvir texto falado de diversas maneiras.

A aplicação multimodal utiliza um controle de prompt para especificar o áudio que será reproduzido para o usuário. O controle prompt contém a propriedade InlineContent - ele pode conter um controle Speech básico que é Conteúdo ou Valor. O controle Content especifica um arquivo de prompt específico que contém a gravação de áudio armazenada. O controle Value especifica um elemento em uma página da Web HTML. O aplicativo de exemplo usa um controle Value que faz referência a um elemento de entrada chamado txtText (no campo "Digite algum texto aqui:" na Figura 2). Aqui está o HTML que descreve a anotação usada para um prompt:

＜fala:prompt id="prmText" runat="servidor"＞
＜Conteúdo Inline＞
＜fala:Valor runat="servidor"
TargetElement="txtTexto"
TargetAttribute="valor">
＜/fala:Valor＞
＜/InlineContent＞
＜/fala: prompt＞

3. Linguagem de anotação de síntese de fala

O mecanismo TTS faz certas suposições padrão sobre como reproduzir texto referenciado pelo atributo InlineContent, mas os desenvolvedores podem controlar como o mecanismo TTS gera áudio usando elementos SSML (Speed Synthesis Markup Language). De acordo com a recomendação da Associação W3C, SSML é uma linguagem de marcação baseada em XML. A Tabela 1 lista os elementos SSML suportados pelo SASDK.

Tabela 1. Elementos SSML Suportados: A tabela lista os elementos SSML suportados pelo SASDK e usados para controlar a forma como o mecanismo TTS gera texto.

Descrição	do elemento SSML
ssml:paragraph/ssml:sentence	é usado para dividir o texto em frases ou parágrafos.
ssml:say-as	é usado para especificar como reproduzir o texto. Aceita vários atributos diferentes para especificar o tipo de texto.
ssml:phoneme	é usado para controlar a pronúncia de uma palavra.
ssml:sub	é usado para especificar uma palavra ou frase de substituição para substituir o texto especificado.
ssml:ênfase	é usado para aumentar a ênfase colocada em uma palavra ou frase.
ssml:break	é usado para inserir algumas pausas entre certas palavras do texto.
ssml:prosody	é usado para controlar tom, taxa e volume.
ssml:audio	é usado para inserir arquivos de áudio gravados.
ssml:mark	é usado para inserir uma marca em uma determinada posição do texto. Essa tag pode então ser usada para representar um evento ou desencadear um comportamento.

Este aplicativo de amostra ilustra o uso de elementos say-as e prosodySSML. Cada botão na página Default.aspx corresponde a um controle de prompt. Esses controles de prompt incluem um elemento ssml:say-as ou ssml:prosody dentro do elemento InlineContent. O exemplo a seguir mostra a marcação HTML para um destes elementos:

＜speech:prompt id="prmSayAsAcronym" runat="servidor"＞
＜Conteúdo Inline＞
＜ssml:say-as type="acrônimo"＞
＜fala:Valor runat="servidor"
TargetElement="txtTexto"
TargetAttribute="value"></speech:Value>
＜/ssml:diga como＞
＜/InlineContent＞
＜/fala: prompt＞

Quando o usuário clica em um desses botões, ele executa o JavaScript mostrado abaixo:

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

No exemplo acima, o prompt denominado prmSayAsAcronym inclui o elemento ssml:say-as, que especifica que qualquer texto contido em um elemento de entrada txtText deve ser emitido com a primeira letra de cada palavra. Portanto, se você digitar “ASP” em um elemento de texto e clicar em “Dizer como sigla”, o mecanismo TTS lerá cada letra.

Para experimentar o aplicativo de exemplo, você pode inserir alguns trechos de texto e clicar em cada botão para ver como o mecanismo TTS interpreta o texto. Eu defendo que você altere os valores dos elementos e experimente a forma como cada controle é gerado. O SASDK oferece aos desenvolvedores um bom controle sobre como o mecanismo TTS gera texto, portanto, a experimentação pode levar a um aplicativo baseado em fala mais natural.