ใช้การสังเคราะห์เสียงพูดในโปรแกรม ASP.NET

ผู้เขียน：Eve Cole เวลาอัปเดต：2009-06-30 16:07:51

คุณอาจสังเกตเห็นว่าการสังเคราะห์เสียงพูดกลายเป็นเรื่องปกติมากขึ้นในทุกวันนี้ ของเล่นและอุปกรณ์อิเล็กทรอนิกส์หลายร้อยชิ้นสามารถสื่อสารกับเจ้าของด้วยเสียงเครื่องได้ ไม่ว่าจะเป็นตุ๊กตาทารกพูดได้ เครื่องนับก้าวที่พูดได้ หรือระบบโทรศัพท์อัตโนมัติใหม่ สินค้าที่ใช้ข้อความเพื่อพูดจะออกเกือบทุกวัน

เทคโนโลยีการแปลงข้อความเป็นคำพูด (TTS) หรือที่เรียกว่าการสังเคราะห์เสียงพูดเป็นกระบวนการแปลงข้อความที่ป้อนเข้าเป็นเสียงพูด วิธีการนี้ดีกว่าข้อความที่บันทึกไว้ล่วงหน้า ซึ่งต้องอาศัยความรู้ขั้นสูงเกี่ยวกับสิ่งที่จะพูด ด้วย TTS คุณสามารถเพิ่มข้อมูลแบบไดนามิกได้ ข้อมูลแบบไดนามิกอาจมาจากฐานข้อมูลหรือผู้ใช้สามารถทำซ้ำได้

1. การทดสอบทีทีเอส

หากคุณเคยเห็นหรือได้ยินเกี่ยวกับการใช้งาน TTS คุณอาจต้องการดาวน์โหลด ReadPlease 2003 เวอร์ชันฟรี ผลิตภัณฑ์นี้สามารถอ่านข้อความจากคลิปบอร์ดของ Windows ได้ หากต้องการใช้งาน คุณเพียงวางข้อความลงในโปรแกรมแก้ไข ReadPlease (ดูรูปที่ 1) - และสมมติว่าลำโพง PC ของคุณเปิดอยู่ คุณจะได้ยินเสียงข้อความเล่น ปัจจุบันผลิตภัณฑ์นี้ใช้งานได้กับระบบปฏิบัติการ Windows desktop OS ทุกเวอร์ชันเท่านั้น แต่ยังวางแผนที่จะออกเวอร์ชันสำหรับระบบ Mac, Unix, Palm และ Windows CE ด้วย

สิ่งที่น่าสนใจเกี่ยวกับ ReadPlease คือคุณสามารถใช้โปรแกรมแก้ไข ReadPlease เพื่อทดลองกับการเลือกพารามิเตอร์ TTS ของคุณได้ ตัวอย่างเช่น คุณสามารถปรับความเร็วของข้อต่อได้โดยการเลื่อนตัวควบคุมแถบเลื่อนความเร็วที่แสดงในรูปที่ 1 ขึ้นหรือลง คุณยังสามารถเปลี่ยนเสียงที่ใช้ได้โดยคลิกปุ่มลูกศรด้านล่างไอคอนหน้าเล็กๆ

รูปที่ 1. แอปพลิเคชั่น ReadPlease 2003: แอปพลิเคชั่น Windows นี้อาจอ่านข้อความใด ๆ ที่วางจากคลิปบอร์ดลงในช่องแก้ไข

คุณต้องการอะไร? Visual Studio.NET 2003, Microsoft Speech แอปพลิเคชัน SDK 1.1

การคลิกเมนู "เครื่องมือ" จากนั้นเลือก "ตัวเลือก" จะทำให้คุณสามารถทดลองใช้โปรแกรมแก้ไข TTS เพิ่มเติมได้ เช่น คุณสามารถปรับความยาวของโปรแกรมเสียงพูดที่หยุดชั่วคราวระหว่างย่อหน้าได้ การอัปเกรดเป็นเวอร์ชัน ReadPlease Plus จะทำให้คุณสามารถเข้าถึงตัวเลือกตัวแก้ไขการออกเสียงเพิ่มเติมที่ช่วยให้คุณระบุวิธีการออกเสียงคำที่ต้องการได้ ReadPlease Plus ยังมีแถบงานที่คุณสามารถเชื่อมต่อที่ด้านบนของเดสก์ท็อป Windows ของคุณ คุณจึงสามารถลากข้อความจากแอปพลิเคชันที่ใช้ไฟล์ใดๆ ลงบนทาสก์บาร์ได้อย่างรวดเร็วและสั่งให้อ่านข้อความนั้นให้คุณฟัง

ตามค่าเริ่มต้น แอปพลิเคชัน ReadPlease จะใช้เสียงของ Microsoft ในตัว (Mark, Mike, Sam หรือ Marilyn) อย่างไรก็ตาม คุณสามารถเลือกซื้อ AT&T Natural Voices คุณภาพสูงกว่าได้ เช่น ที่มีใน AT&T Natural Voices Starter Pack Starter Pack ประกอบด้วย "Mike" และ "Crystal" เวอร์ชัน 8K ซึ่งทั้งสองเวอร์ชันให้เสียงดีกว่าเสียงเริ่มต้นของ Microsoft

หมายเหตุผู้เขียน: คำว่า 8K หมายความว่าความถี่ในการสุ่มตัวอย่างที่ใช้ในการสร้างไฟล์ WAV เกิดขึ้นที่ 8000 บิตต่อวินาที อีกรูปแบบหนึ่งคือ 16k ซึ่งให้เอฟเฟกต์การฟังที่ชัดเจนและเป็นธรรมชาติยิ่งขึ้น โดยพื้นฐานแล้ว ยิ่งอัตราตัวอย่างสูง คุณภาพเสียงก็จะยิ่งดีขึ้นเท่านั้น

2. ชุดพัฒนาแอปพลิเคชันเสียงของ Microsoft SDK 1.1

ในปี 2004 Microsoft ได้เปิดตัว Microsoft Speech Server และมี SDK ฟรีที่ช่วยให้คุณพัฒนาโปรแกรมคำพูดบนเว็บที่ทำงานบน Speech Server คุณสามารถใช้ SDK เพื่อสร้างแอปพลิเคชันระบบโทรศัพท์หรือเฉพาะเสียงเท่านั้น ซึ่งทำให้เกิดการโต้ตอบระหว่างคอมพิวเตอร์กับผู้ใช้โดยใช้โทรศัพท์ คุณยังสามารถสร้างแอปพลิเคชั่นหลายรูปแบบที่ผู้ใช้เลือกใช้การควบคุมด้วยเสียงหรือเว็บแบบเดิมเป็นอินพุต

กลไก Microsoft TTS สังเคราะห์ข้อความโดยแยกคำออกเป็นหน่วยเสียง หน่วยเสียงเป็นหน่วยพื้นฐานของภาษามนุษย์ พวกเขาเป็นตัวแทนของกลุ่ม "เสียง" ที่ประกอบขึ้นเป็นเสียงของคำ จากนั้นหน่วยเสียงที่แยกออกมาจะถูกวิเคราะห์โดยเครื่องมือ TTS และแปลงเป็นสัญลักษณ์ที่ใช้ในการสร้างเสียงพูดแบบดิจิทัล

คุณสามารถใช้แอปพลิเคชันตัวอย่างที่ดาวน์โหลดได้ที่มาพร้อมกับบทความนี้ (ExploringTextToSpeech.csproj) เพื่อทดลองกับลักษณะที่จัดโครงแบบของ Microsoft TTS engine แอปพลิเคชั่นต่อเนื่องหลายรูปแบบนี้ประกอบด้วยหน้าเว็บ (ดูรูปที่ 2) ซึ่งคุณสามารถป้อนข้อความลงไปได้ จากนั้นคุณสามารถคลิกปุ่มเพื่อฟังข้อความในลักษณะดังต่อไปนี้

หมายเหตุผู้เขียน: หลีกเลี่ยงไม่ได้เมื่อใช้กลไก TTS เมื่อไม่สามารถทราบข้อความที่จะเล่นล่วงหน้าได้ อย่างไรก็ตาม คุณสามารถรับคุณภาพเสียงที่ดีขึ้นได้โดยการบันทึกเสียง เมื่อคุณภาพเสียงเป็นสิ่งสำคัญ คุณสามารถใช้ Microsoft Speech Application Software Development Kit (SASDK) เพื่อบันทึกเสียงได้ ตัวอย่างเช่น คุณอาจต้องการใช้เสียงที่บันทึกไว้เพื่อแจ้งให้ผู้ใช้ทราบข้อมูล เสียงที่บันทึกไว้สามารถแบ่งออกเป็นชุดของสัญญาณ ซึ่งจากนั้นจะต่อกันที่รันไทม์

· พูดข้อความตามปกติ - ให้เกณฑ์มาตรฐานการทดสอบ

· พูดเป็นตัวย่อ - ข้อความ "ASP" ถูกสร้างขึ้นโดย "ASP"

· พูดเป็นชื่อ - นายจอห์น โด ถูกโจมตี "มิสเตอร์ จอห์น โด"

· พูดเป็นวันที่ - ในกรณีนี้ วันที่จะถูกจัดรูปแบบเป็น: เดือน วัน ปี

· พูดเป็นที่อยู่เว็บ - ในกรณีนี้ ข้อความจะถูกจัดรูปแบบเป็น Uniform Resource Identifier (URI)

· พูดเป็นตัวเลข - ตัวเลขที่ป้อนเป็นข้อความจะแสดงเป็นชุดตัวเลข

· อัตราระดับเสียงสูง/ช้า - ข้อความถูกส่งอย่างช้าๆ และอยู่ในระดับเสียงสูง

· ให้คะแนนเร็ว/เสียงดัง - ข้อความถูกส่งออกมาด้วยระดับเสียงสูงอย่างรวดเร็ว

· เสียงต่ำ/ระดับเสียงเบา-ข้อความจะถูกส่งออกมาด้วยระดับเสียงต่ำที่ระดับเสียงปานกลาง

รูปที่ 2 แอปพลิเคชันตัวอย่าง - คุณสามารถใช้แอปพลิเคชันนี้เพื่อฟังข้อความที่พูดได้หลากหลายวิธี

แอปพลิเคชั่นต่อเนื่องหลายรูปแบบใช้การควบคุมพร้อมท์เพื่อระบุเสียงที่จะเล่นให้กับผู้ใช้ ตัวควบคุมพร้อมต์มีคุณสมบัติ InlineContent - ซึ่งสามารถประกอบด้วยตัวควบคุมคำพูดพื้นฐานที่เป็นเนื้อหาหรือค่าก็ได้ ตัวควบคุมเนื้อหาระบุไฟล์พร้อมท์เฉพาะที่มีการบันทึกเสียงที่เก็บไว้ การควบคุมค่าระบุองค์ประกอบในเว็บเพจ HTML แอปพลิเคชันตัวอย่างใช้ตัวควบคุมค่าที่อ้างอิงองค์ประกอบอินพุตชื่อ txtText (ในฟิลด์ "พิมพ์ข้อความที่นี่:" ในรูปที่ 2) นี่คือ HTML ที่อธิบายคำอธิบายประกอบที่ใช้สำหรับพรอมต์:

<speech:prompt id="prmText" runat="server">
＜เนื้อหาอินไลน์＞
＜คำพูด:ค่า runat="เซิร์ฟเวอร์"
TargetElement="txtText"
TargetAttribute="ค่า">
＜/คำพูด:คุณค่า><
＜/เนื้อหาอินไลน์＞
＜/คำพูด:พร้อมท์><

3. ภาษาคำอธิบายประกอบการสังเคราะห์คำพูด

กลไกจัดการ TTS สร้างสมมติฐานเริ่มต้นบางอย่างเกี่ยวกับวิธีการเล่นข้อความที่อ้างอิงโดยแอตทริบิวต์ InlineContent แต่นักพัฒนาสามารถควบคุมวิธีที่กลไก TTS สร้างเสียงได้โดยใช้องค์ประกอบ Speech Sclusion Markup Language (SSML) ตามคำแนะนำของ W3C Association SSML เป็นภาษามาร์กอัปที่ใช้ XML ตารางที่ 1 แสดงรายการองค์ประกอบ SSML ที่ SASDK รองรับ

ตารางที่ 1. องค์ประกอบ SSML ที่รองรับ: ตารางแสดงรายการองค์ประกอบ SSML ที่ SASDK รองรับ และใช้เพื่อควบคุมวิธีที่กลไก TTS สร้างข้อความ

คำอธิบาย	องค์ประกอบ SSML
ssml:paragraph/ssml:sentence	ใช้เพื่อแบ่งข้อความออกเป็นประโยคหรือย่อหน้า
ssml:say-as	ใช้เพื่อระบุวิธีการเล่นข้อความ ยอมรับแอตทริบิวต์ที่แตกต่างกันหลายประการเพื่อระบุประเภทของข้อความ
ssml:phoneme	ใช้เพื่อควบคุมการออกเสียงคำ
ssml:sub	ใช้เพื่อระบุคำหรือวลีทดแทนเพื่อแทนที่ข้อความที่ระบุ
ssml:emphasis	ใช้เพื่อเพิ่มความเครียดให้กับคำหรือวลี
ssml:break	ใช้เพื่อแทรกการหยุดชั่วคราวระหว่างคำบางคำในข้อความ
ssml:prosody	ใช้เพื่อควบคุมระดับเสียง อัตรา และระดับเสียง
ssml:audio	ใช้สำหรับแทรกไฟล์เสียงที่บันทึกไว้
ssml:mark	ใช้เพื่อแทรกเครื่องหมายที่ตำแหน่งใดตำแหน่งหนึ่งในข้อความ แท็กนี้สามารถใช้เพื่อแสดงถึงเหตุการณ์หรือทริกเกอร์พฤติกรรมได้

แอปพลิเคชันตัวอย่างนี้แสดงให้เห็นถึงการใช้องค์ประกอบ say-as และ prosodySSML แต่ละปุ่มบนเพจ Default.aspx สอดคล้องกับตัวควบคุมพร้อมท์ การควบคุมพร้อมต์เหล่านี้ประกอบด้วยองค์ประกอบ ssml:say-as หรือ ssml:prosody ภายในองค์ประกอบ InlineContent ตัวอย่างต่อไปนี้แสดงมาร์กอัป HTML สำหรับหนึ่งในองค์ประกอบเหล่านี้:

＜speech:prompt id="prmSayAsAcronym" runat="เซิร์ฟเวอร์">
＜เนื้อหาอินไลน์＞
<ssml:say-as type="ตัวย่อ">
＜คำพูด:ค่า runat="เซิร์ฟเวอร์"
TargetElement="txtText"
TargetAttribute="value"></speech:Value>
</ssml:พูดเหมือน>
＜/เนื้อหาอินไลน์＞
＜/คำพูด:พร้อมท์><

เมื่อผู้ใช้คลิกปุ่มใดปุ่มหนึ่ง ระบบจะเรียกใช้งานจาวาสคริปต์ที่แสดงด้านล่าง:

ฟังก์ชั่น SayAsAcronym () {
prmSayAsAcronym.Start();
-

ในตัวอย่างข้างต้น พรอมต์ที่ชื่อ prmSayAsAcronym จะมีองค์ประกอบ ssml:say-as ซึ่งระบุว่าข้อความใดๆ ที่อยู่ในองค์ประกอบอินพุต txtText ควรถูกส่งด้วยตัวอักษรตัวแรกของแต่ละคำ ดังนั้น หากคุณพิมพ์ "ASP" ลงในองค์ประกอบข้อความและคลิก "พูดเป็นตัวย่อ" กลไก TTS จะอ่านตัวอักษรแต่ละตัว

หากต้องการทดลองใช้แอปพลิเคชันตัวอย่าง คุณสามารถป้อนตัวอย่างข้อความและคลิกปุ่มแต่ละปุ่มเพื่อดูว่ากลไก TTS ตีความข้อความอย่างไร ฉันขอแนะนำให้คุณเปลี่ยนค่าองค์ประกอบและทดสอบวิธีการสร้างการควบคุมแต่ละรายการ SASDK ช่วยให้นักพัฒนาสามารถควบคุมวิธีที่กลไก TTS สร้างข้อความได้ดี ดังนั้นการทดลองอาจนำไปสู่แอปพลิเคชันที่ใช้เสียงพูดที่เป็นธรรมชาติมากขึ้น