在ASP.NET程式中實現語音合成

作者：Eve Cole 更新時間：2009-06-30 16:07:51

你可能已經注意到，如今語音合成越來越普遍。成百上午的電動玩具和小器具都能夠以機器的聲音向它們的主人講話。不管它是一個講話的嬰兒玩偶，一個會談話的計步器或是一新的自動電話系統，現在幾乎每天都會有一種使用文字來發音的產品發行。

文字-到-語音（TTS）技術，也稱為語音合成，是把輸入的文字轉換成音訊語音的過程。這種方式會優於預先錄製好的文字-它必須對要說的內容提前了解。而使用TTS，卻有可能加入動態的訊息，而動態的訊息可以來自於一個資料庫；或是使用者不斷重複的話。

一、 TTS試驗

如果你看到或聽過實際的TTS，那麼你可能會想要下載一個免費版本的ReadPlease 2003。本產品能夠讀取Windows剪貼簿中的文字。要使用它，你只需要簡單地把一些文字貼到ReadPlease編輯器中（見圖1）-並且假定你的PC揚聲器打開了，那麼你會聽到文字的播放。目前，該產品僅能工作在所有的Windows桌面OS版本中，但是他們也計劃發行針對Mac，Unix，Palm和Windows CE系統的版本。

ReadPlease令人感興趣的地方在於，你可以使用ReadPlease編輯器來試驗你的TTS參數選擇。例如，你可以透過上下移動如圖1所示的Speed滑動塊控制來調整發音速度。你也可以點擊在小臉圖示下方的箭頭按鈕來改變所使用的語音。

圖1.ReadPlease 2003應用程式：這個Windows應用程式可能讀取任何從剪貼簿中貼上到編輯欄位中的文字。

你需要什麼呢？ Visual Studio.NET 2003，微軟語音應用程式SDK 1.1

點擊"Tools"選單，然後選擇"Options"允許你進一步用該TTS編輯器進行試驗，例如，你可以調整在段落之間的語音引擎的暫停時間長度。升級到ReadPlease Plus版本將可以讓你存取另外的一個發音編輯器選項，它讓你指定怎樣讀一個特別的字。 ReadPlease Plus還包括一個你可以停靠在你的Windows桌面頂部的任務條。因此，你可以快速地從任何基於文件的應用程式拖曳文字到工作列上並讓它讀給你聽。

在缺省狀態下，該ReadPlease應用程式使用內建的微軟語音（Mark，Mike，Sam或Marilyn）。但是，你可以選擇性地購買更高品質的AT&T Natural Voices，例如在AT&T Natural Voices Starter Pack中提供的語音。 Starter套件包含8K版本的"Mike"和"Crystal"，它們二者聽起來都比缺省的微軟聲音好。

作者註: 術語8K意味著，此抽樣頻率用於建立發生在每秒8000位元的WAV檔案。另外一種格式是16k，它可以產生更清晰、更自然的聽覺效果。基本上，樣本率越高，聲音品質好越。

二、微軟語音應用程式開發包SDK 1.1

在2004年，微軟發行了Microsoft Speech Server，還有一個免費的SDK允許你開發基於Web的運行於Speech Server上的語音程式。可以使用SDK來建立電話或只發聲的應用程式-其中的電腦對使用者的互動是使用電話來實現的。同時你還可以建立多模態應用程序，其中由使用者選擇使用語音還是傳統型Web控製作為輸入。

微軟TTS引擎透過把單字拆分成音素來合成文字。音素是人類語言的基本單位。它們代表一組"音"，正是由它們構成單字的聲音。然後由該TTS引擎分析提取的音素並且把它們轉換成符號用來產生數位音訊語音。

你可以使用隨同本文的可下載的範例應用程式(ExploringTextToSpeech.csproj)來試驗微軟TTS引擎可設定的方面。這個多模態應用程式包含一個Web頁面（見圖2），你可以在其中輸入一些文字。然後，可以點擊一個按鈕來以下面方式聽取文字。

作者註：在要被播放的文字無法提前知道的情況下，使用一TTS引擎是不可避免的;然而，你可以由錄製音訊來得到更好的音質。當音訊品質是關鍵的時，你可以使用微軟語音應用程式軟體開發工具箱（SASDK）來錄製音訊。例如，你可能想要使用錄製的音訊來提示使用者資訊。被記錄的音訊可以被分解成一系列的提示，它們在運行時刻再被連接起來。

· Speak Text Normally-提供一種測試基準

· Say as an Acronym-文本"ASP"被發作"ASP"

· Say as Name-Mr.John Doe被發作"Mister John Doe"

· Say As Date-在這種情況中，日期格式化為：月，日，年

· Say as Web Address-在這種情況中，文字格式化為一個統一資源標識符（URI）

· Say as Digits-作為文字輸入的數字被發作一系列的位

· High Pitch/Slow Rate-文字以高音調慢速發出。

· Rate Fast/Volume Loud-文字以快速高音發出。

· Low Pitch/Volume Soft-文字以低音調適中音量發出。

圖2.範例應用程式-你可以使用這個程式來聽一下以多種方式說出的文字。

此多模態應用程式使用一提示控制項來指定將播放給使用者的音訊。此提示控制項包含InlineContent屬性－它可以包含一個或是Content型或Value型的基本Speech控制項。此Content控制項指定一特定的包含儲存的音訊記錄的提示檔案。此Value控制項指定一個HTML Web頁面中的元素。這個範例應用程式使用一Value控制項－它參考一個名為txtText的輸入元素（在圖2中的"Type some text here:"域）。下面是描述了用於一個提示的標註的HTML：

＜speech:prompt id="prmText" runat="server"＞
＜InlineContent＞
＜speech:Value runat="server"
TargetElement="txtText"
TargetAttribute="value"＞
＜/speech:Value＞
＜/InlineContent＞
＜/speech:prompt＞

三、語音合成標註語言

此TTS引擎在如何播放由屬性InlineContent參考的文字時作出某些缺省的假設，但是開發者能透過使用語音合成標註語言(SSML)元素來控制該TTS引擎產生音訊的方式。根據W3C協會的推薦，SSML是一基於XML的標註語言。表1列舉出由SASDK所支援的SSML元素。

表1.支援的SSML元素：表中列出SASDK所支援的SSML元素並且用於控制TTS引擎產生文字的方式。

SSML元素	描述
ssml:paragraph/ssml:sentence	用來把文字分解成語句或段落。
ssml:say-as	用來指定播放文字的方式。它能夠接受若干不同的屬性來指定文字的類型。
ssml:phoneme	用來控制一個單字的發音方式。
ssml:sub	用來指定一個替代單字或片語來取代指定的文字。
ssml:emphasis	用來提高放到一個單字或片語中的重音。
ssml:break	用於在文字的某些單字間插入一些暫停。
ssml:prosody	用於控制音調，速率和音量。
ssml:audio	用於插入被錄製的音訊檔案。
ssml:mark	用於在文字的某個位置插入一個標記。然後可以使用這個標記來表示一事件或觸發一個行為。

此範例應用程式說明了say-as和prosodySSML元素的使用。該Default.aspx頁面上的每個按鈕都對應於一個提示控制項。這些提示控制項在InlineContent元素中包含一ssml:say-as或一個ssml:prosody元素。下面範例顯示了針對這些元素之一的HTML標註：

＜speech:prompt id="prmSayAsAcronym" runat="server"＞
＜InlineContent＞
＜ssml:say-as type="acronym"＞
＜speech:Value runat="server"
TargetElement="txtText"
TargetAttribute="value"＞＜/speech:Value＞
＜/ssml:say-as＞
＜/InlineContent＞
＜/speech:prompt＞

當使用者點擊這些按鈕之一，它執行如下所示的JavaScript：

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

在上面的範例中，名為prmSayAsAcronym的提示包括了ssml:say-as元素，它指定任何包含在txtText輸入元素中的文字都應該以每個單字的第一個字母發出。因此，如果你輸入"ASP"到文字元素中並且點擊"Say As Acronym"，那麼該TTS引擎將讀取每個字母。

為了用該範例應用程式進行試驗，你可以輸入一些文字片斷，然後點擊每一個按鈕來看一下該TTS引擎是怎麼解釋文字的。我主張你改變元素值並且用每一個控制項產生的方式進行試驗。 SASDK提供給開發者關於該TTS引擎怎樣生成文字的良好控件，因此試驗可能會導致出現一種更為自然的基於語音的應用程式。