微软SAPI：让你的软件能说会道

　　【IT168专稿】“没声音，再好的戏也出不来。”这虽然是一句广告，但是也说出了一个道理，我们所开发的软件，特别是一些多媒体软件，要是能够发出声音，能说会道，将为我们的软件增添不少光彩。同时，我们面临的是一个老龄化的社会，将会有越来越多的视力不太好的老年人成为我们的用户，开始使用我们的软件，如果我们的软件能说会道，可以用语音的方式提示用户进行操作，这将大大增加软件的可用性，从而获得用户的喜爱。

　　那么如何才能让我们的软件能说会道呢?别着急，微软有解决办法，用微软提供的SAPI就可以让我们的软件能说会道。

　　什么是SAPI?

　　软件中的语音技术主要包括两方面的内容，一个是语音识别(speech recognition) ，另外一个是语音合成(speech synthesis)，也即是文本语音转换系统(TTS)。TTS系统使用合成语音合成文本字符串和文件到声音音频流。而语音识别系统则是转换人类的声音语音流到可读的文本字符串或者文件。这两个工作，都是通过各种语音引擎来完成的。微软所提供的SAPI (全称The Microsoft Speech API)，正是在应用程序和语音引擎之间提供一个高级别的接口，它实现了所有必需的对各种语音引擎的实时的控制和管理等低级别的细节。语音引擎通过DDI层(设备驱动接口)和SAPI进行交互，应用程序通过API层和SAPI通信。通过使用这些API，我们可以快速开发在语音识别或语音合成方面应用程序。SAPI 应用程序编程接口(API)明显的减少了构建一个使用语音识别和文本语音转换的应用程序所需要的高层代码，使语音技术更加容易使用并且更加扩大了应用的范围。虽然现在SAPI不是业界标准，但是应用非常广泛。

　　SAPI包括以下组件对象(接口)：

　　(1)Voice Commands API。对应用程序进行控制，一般用于语音识别系统中。识别某个命令后，会调用相关接口是应用程序完成对应的功能。如果程序想实现语音控制，必须使用此组对象。

　　(2)Voice Dictation API。听写输入，即语音识别接口。

　　(3)Voice Text API。完成从文字到语音的转换，即语音合成。

　　(4)Voice Telephone API。语音识别和语音合成综合运用到电话系统之上，利用此接口可以建立一个电话应答系统，甚至可以通过电话控制计算机。

　　(5)Audio Objects API。封装了计算机发音系统。

　　其中Voice Text API，就是微软TTS引擎的接口，通过它我们可以很容易地建立功能强大的文本语音程序，金山词霸的单词朗读功能就用到了这些API，而目前几乎所有的文本朗读工具都是用SAPI开发的。在这里，我们使用的主要就是Voice Text API。

　　安装SAPI SDK

　　要使用SAPI让我们的软件能说会道，我们首先需要下载并安装SAPI SDK。首先从微软的网站上下载开发包： http://www.microsoft.com/speech/download/sdk51

　　下载完毕后，首先安装SpeechSDK51.exe，然后安装中文语言补丁包SpeechSDK51LangPack，If 如果我们想将SAPI作为我们软件的一部分，随着我们的软件重新发布，我们还需要安装SpeechSDK51MSM.exe。

　　安装好SAPI SDK后，即可开始在VS2010中使用SAPI让我们的软件能说会道了。

　　创建项目，添加SAPI的引用

　　这里，我们将创建一个普通的WinForm程序，它可以利用TTS朗读文本，也可以将文本文件通过TTS转换为声音文件，真正是一个“能说会道”的软件。首先，我们在VS2010中创建一个WinForm程序，并且将窗体设计如下：

　　中的Text Box用于显示我们要阅读的文本，而Combo Box控件用于显示系统中已经安装的所有语音，用户可以从中选择当前TTS使用的语音。

　　要在我们的项目中使用SAPI，我们还需要给项目添加SAPI的引用。用VS2010提供的添加引用功能，在添加引用对话框的COM标签页面中找到Microsoft Speech Object Library，将其添加到项目中。

　　SAPI所提供的各个类都在名字空间SpeechLib之下，所以在代码中我们还需要使用using SpeechLib，表示我们将使用这个名字空间。这样我们就可以使用SAPI所提供的各种类来实现语音合成或者是语音识别了。

　　创建SpVoice对象，初始化SAPI

　　SAPI的TTS都是通过SpVoice对象来完成的。SpVoice类是支持语音合成(TTS)的核心类。通过SpVoice对象调用TTS引擎，从而实现朗读功能。 SpVoice类有以下主要属性：

　　• Voice：表示发音类型，相当于进行朗读的人，通常我们可以通过安装相应的语音引擎来增加相应的语音。

　　• Rate：语音朗读速度，取值范围为-10到+10。数值越大，速度越快。

　　• Volume：音量，取值范围为0到100。数值越大，音量越大。

　　SpVoice有以下主要方法：

　　• Speak()：完成将文本信息转换为语音并按照指定的参数进行朗读，该方法有Text和Flags两个参数，分别指定要朗读的文本和朗读方式(同步或异步等)。

　　• GetVoices()：获取系统中的语音，用于指定SpVoice的Voice属性。

　　• Pause()：暂停使用该对象的所有朗读进程。该方法没有参数。

　　• Resume()：恢复该对象所对应的被暂停的朗读进程。该方法没有参数。

　　所以我们在窗体的构造函数中，首先需要完成SpVoice对象的创建，然后才能使用这个对象来朗读文本。 因为系统中可能有多个语音可供选择，所以我们在创建窗体的时候，同时需要用一个Combo Box控件列举出系统中所有的语音，并且选中默认的第一个语音。当窗体创建后，用户可以在这个Combo Box选择自己喜欢的语音来朗读文本。