Реализация синтеза речи в программе ASP.NET

Автор：Eve Cole Время обновления：2009-06-30 16:07:51

Возможно, вы заметили, что в наши дни синтез речи становится все более распространенным. Сотни электронных игрушек и гаджетов способны разговаривать со своими владельцами машинными голосами. Будь то говорящая кукла, говорящий шагомер или новая автоматизированная телефонная система, почти каждый день выпускается продукт, в котором для разговора используется текст.

Технология преобразования текста в речь (TTS), также известная как синтез речи, представляет собой процесс преобразования входного текста в звуковую речь. Этот подход лучше, чем заранее записанный текст: он требует предварительного знания того, что будет сказано. С помощью TTS можно добавлять динамическую информацию. Динамическая информация может поступать из базы данных или повторяться пользователем.

1. ТТС-тест

Если вы видели или слышали о TTS в действии, возможно, вам захочется загрузить бесплатную версию ReadPlease 2003. Этот продукт может читать текст из буфера обмена Windows. Чтобы использовать его, вы просто вставляете текст в редактор ReadPlease (см. рис. 1) — и, если динамики вашего ПК включены, вы услышите воспроизведение текста. В настоящее время продукт работает только со всеми версиями настольных ОС Windows, но они также планируют выпустить версии для систем Mac, Unix, Palm и Windows CE.

Интересная особенность ReadPlease заключается в том, что вы можете использовать редактор ReadPlease, чтобы экспериментировать с выбором параметров TTS. Например, вы можете регулировать скорость артикуляции, перемещая ползунок «Скорость», показанный на рисунке 1, вверх или вниз. Вы также можете изменить используемый голос, нажав кнопку со стрелкой под значком маленького лица.

Рисунок 1. Приложение ReadPlease 2003. Это приложение Windows может читать любой текст, вставленный из буфера обмена в поле редактирования.

Что вам нужно? Visual Studio.NET 2003, пакет SDK для речевых приложений Microsoft 1.1.

Щелкнув меню «Инструменты», а затем выбрав «Параметры», вы сможете дополнительно поэкспериментировать с редактором TTS, например, вы можете настроить длину пауз речевого движка между абзацами; Обновление до версии ReadPlease Plus предоставит вам доступ к дополнительной опции редактора произношения, которая позволит вам указать, как произносить определенное слово. ReadPlease Plus также включает в себя панель задач, которую можно закрепить в верхней части рабочего стола Windows. Таким образом, вы можете быстро перетащить текст из любого файлового приложения на панель задач и прочитать его.

По умолчанию приложение ReadPlease использует встроенный голос Microsoft (Марк, Майк, Сэм или Мэрилин). Однако при желании вы можете приобрести более качественные голоса AT&T Natural Voices, например те, которые доступны в стартовом пакете AT&T Natural Voices. В стартовый пакет входят версии «Mike» и «Crystal» в разрешении 8K, обе из которых звучат лучше, чем голоса Microsoft по умолчанию.

Примечание автора: термин 8K означает, что частота дискретизации, используемая для создания файлов WAV, составляет 8000 бит в секунду. Другой формат — 16k, который обеспечивает более четкое и естественное звучание. По сути, чем выше частота дискретизации, тем лучше качество звука.

2. Пакет SDK для разработки голосовых приложений Microsoft 1.1.

В 2004 году компания Microsoft выпустила Microsoft Speech Server, и существует бесплатный SDK, который позволяет разрабатывать речевые веб-программы, работающие на Speech Server. Вы можете использовать SDK для создания приложений телефонии или только голосовой связи, где взаимодействие компьютера с пользователем осуществляется с помощью телефона. Вы также можете создавать мультимодальные приложения, в которых пользователь выбирает в качестве входных данных голосовые или традиционные веб-элементы управления.

Механизм Microsoft TTS синтезирует текст, разбивая слова на фонемы. Фонемы являются основными единицами человеческого языка. Они представляют собой группу «звуков», составляющих звуки слова. Извлеченные фонемы затем анализируются механизмом TTS и преобразуются в символы, используемые для генерации цифровой аудио речи.

Вы можете использовать загружаемый пример приложения, прилагаемый к этой статье (ExploringTextToSpeech.csproj), чтобы поэкспериментировать с настраиваемыми аспектами механизма Microsoft TTS. Это мультимодальное приложение состоит из веб-страницы (см. рис. 2), на которую вы можете ввести текст. Затем вы можете нажать кнопку, чтобы прослушать текст следующим образом.

Примечание автора: использование механизма TTS неизбежно, если текст, который будет воспроизводиться, неизвестен заранее, однако вы можете добиться лучшего качества звука, записав звук; Если качество звука имеет решающее значение, для записи звука можно использовать пакет разработки программного обеспечения Microsoft Speech Application (SASDK). Например, вы можете использовать записанный звук, чтобы предложить пользователю информацию. Записанный звук можно разбить на серию реплик, которые затем объединяются во время выполнения.

· Говорите текст как обычно: тестовый тест.

· Произнесите как аббревиатуру — текст «ASP» генерируется «ASP».

· Назовите имя: на мистера Джона Доу напали «Мистер Джон Доу».

· «Сказать как дату» — в этом случае дата имеет следующий формат: месяц, день, год.

· Произнести как веб-адрес. В этом случае текст форматируется как универсальный идентификатор ресурса (URI).

· Произнести как цифры: числа, введенные в виде текста, представляются как последовательность цифр.

· Высокий тон/медленная скорость — текст воспроизводится медленно и высоким тоном.

· Скорость высокая/громкая — текст воспроизводится на высокой частоте.

· Низкий тон/громкость: текст воспроизводится низким тоном и умеренной громкостью.

Рис. 2. Пример приложения. Это приложение можно использовать для прослушивания текста, произнесенного различными способами.

Мультимодальное приложение использует элемент управления подсказкой для указания звука, который будет воспроизводиться пользователю. Элемент управления подсказкой содержит свойство InlineContent — он может содержать базовый элемент управления речью, который имеет значение Content или Value. Элемент управления содержимым указывает конкретный файл приглашения, содержащий сохраненную аудиозапись. Элемент управления Value указывает элемент на веб-странице HTML. В примере приложения используется элемент управления Value, который ссылается на элемент ввода с именем txtText (в поле «Введите здесь текст:» на рис. 2). Вот HTML-код, описывающий аннотацию, используемую для приглашения:

＜речь: Prompt id="prmText" runat="server"＞
＜Инлайн-контент＞
＜speech:Value runat="server"
TargetElement="txtText"
ЦелевойАтрибут="значение">
＜/речь:Значение＞
＜/InlineContent＞
＜/речь:подсказка＞

3. Язык аннотаций синтеза речи

Механизм TTS делает определенные предположения по умолчанию о том, как воспроизводить текст, на который ссылается атрибут InlineContent, но разработчики могут контролировать, как механизм TTS генерирует звук, используя элементы языка разметки синтеза речи (SSML). Согласно рекомендации Ассоциации W3C, SSML — это язык разметки на основе XML. В таблице 1 перечислены элементы SSML, поддерживаемые SASDK.

Таблица 1. Поддерживаемые элементы SSML. В таблице перечислены элементы SSML, поддерживаемые SASDK и используемые для управления способом генерации текста механизмом TTS.

Описание	элемента SSML
ssml:paragraph/ssml:sentence	используется для разбиения текста на предложения или абзацы.
ssml:say-as	используется для указания способа воспроизведения текста. Он принимает несколько различных атрибутов для указания типа текста.
ssml:phoneme	используется для управления произношением слова.
ssml:sub	используется для указания заменяющего слова или фразы для замены указанного текста.
ssml:emphasis	используется для увеличения ударения в слове или фразе.
ssml:break	используется для вставки пауз между определенными словами в тексте.
ssml:prosody	используется для управления высотой звука, скоростью и громкостью.
ssml:audio	используется для вставки записанных аудиофайлов.
ssml:mark	используется для вставки отметки в определенную позицию текста. Этот тег затем можно использовать для представления события или запуска поведения.

Этот пример приложения иллюстрирует использование элементов Say-as и prosodySSML. Каждая кнопка на странице Default.aspx соответствует элементу управления подсказкой. Эти элементы управления подсказками включают элемент ssml:say-as или ssml:prosody внутри элемента InlineContent. В следующем примере показана разметка HTML для одного из этих элементов:

＜speech:prompt id="prmSayAsAcronym" runat="server"＞
＜Инлайн-контент＞
＜ssml:say-as type="acronym"＞
＜speech:Value runat="server"
TargetElement="txtText"
TargetAttribute="значение"></speech:Value>
＜/ssml:скажи-как＞
＜/InlineContent＞
＜/речь:подсказка＞

Когда пользователь нажимает одну из этих кнопок, он выполняет JavaScript, показанный ниже:

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

В приведенном выше примере приглашение с именем prmSayAsAcronym включает элемент ssml:say-as, который указывает, что любой текст, содержащийся во входном элементе txtText, должен выводиться с первой буквой каждого слова. Итак, если вы введете «ASP» в текстовый элемент и нажмете «Сказать как акроним», механизм TTS прочитает каждую букву.

Чтобы поэкспериментировать с примером приложения, вы можете ввести несколько фрагментов текста и нажать каждую кнопку, чтобы увидеть, как механизм TTS интерпретирует текст. Я советую вам менять значения элементов и экспериментировать со способом генерации каждого элемента управления. SASDK дает разработчикам хороший контроль над тем, как механизм TTS генерирует текст, поэтому эксперименты могут привести к созданию более естественного речевого приложения.