語(yǔ)音合成 （Speech Synthesis），語(yǔ)音識(shí)別（Speech Recognition） | 果殼科技

一、首先說(shuō)一下語(yǔ)音識(shí)別和語(yǔ)音合成技術(shù)實(shí)現(xiàn)；Windows系統(tǒng)有自己的語(yǔ)音,基于C#的開(kāi)發(fā)，也已經(jīng)將語(yǔ)音封裝到System.Speech程序集中，有興趣的朋友可以自己試試；

二、我們講述一下c#實(shí)現(xiàn)語(yǔ)音閱讀以及文本轉(zhuǎn)語(yǔ)音文件，是基于c#的一個(gè)類庫(kù)（SpeechSynthesizer ）實(shí)現(xiàn)的，使用該類必須要添加引用using System.Speech.Synthesis;直接是無(wú)法添加引用的，先對(duì)項(xiàng)目進(jìn)行添加System.Speech引用；

下面的代碼使用窗體應(yīng)用程序簡(jiǎn)單實(shí)現(xiàn)的，當(dāng)然程序集里還封裝的好多的功能，大家可以自行探討；在web應(yīng)用是不行的，應(yīng)該可以封裝成ActiveX 控件，供瀏覽器調(diào)用吧，這個(gè)還沒(méi)實(shí)現(xiàn)；下面會(huì)說(shuō)用JS實(shí)現(xiàn)web語(yǔ)音技術(shù)。

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Speech.Synthesis;
using System.Text;
using System.Threading.Tasks;
using System.Windows.Forms;

namespace Speech_WinForm
{
public partial class SpeakVoice : Form
{
public SpeakVoice()
{
InitializeComponent();
}

private void text_content_TextChanged(object sender, EventArgs e)
{

}

private void btn_speak_Click(object sender, EventArgs e)
{
var content = this.text_content.Text;
SpeechSynthesizer synth = new SpeechSynthesizer();
synth.Speak(content);
}

private void SpeakVoice_Load(object sender, EventArgs e)
{

}
}
}

上面的代碼也可以用控制臺(tái)應(yīng)用程序去寫(xiě)，在這里只給大家一個(gè)引子，感興趣的同志可以去百度一下吧，

三、HTML5語(yǔ)音Web Speech

HTML5中和Web Speech相關(guān)的API實(shí)際上有兩類，一類是“語(yǔ)音識(shí)別(Speech Recognition)”，另外一個(gè)就是“語(yǔ)音合成(Speech Synthesis)”，這兩個(gè)名詞聽(tīng)上去很高大上，實(shí)際上指的分別是“語(yǔ)音轉(zhuǎn)文字”，和“文字變語(yǔ)音”。 而下面要介紹的就是這里的“語(yǔ)音合成-文字變語(yǔ)音”。為什么稱為“合成”呢？比方說(shuō)你發(fā)音“你好，世界！” 實(shí)際上是把“你”、“好”、“世”、“界”這4個(gè)字的讀音給合并在一起，因此，稱為“語(yǔ)音合成”。 “語(yǔ)音識(shí)別”和“語(yǔ)音合成”看上去像是正反兩方面，實(shí)際上，至少?gòu)募嫒菪詠?lái)看，兩者并無(wú)法直接對(duì)等。 “語(yǔ)音識(shí)別(Speech Recognition)”目前的就Chrome瀏覽器和Opera瀏覽器默認(rèn)支持，并且需要webkit私有前綴：

1、先說(shuō)一下 語(yǔ)音識(shí)別(Speech Recognition)

使用的基本套路如下： 創(chuàng)建SpeechRecognition的新實(shí)例。

由于到目前為止，瀏覽器還沒(méi)有廣泛支持，所以需要webKit的前綴：

var newRecognition = webkitSpeechRecognition(); 設(shè)置是持續(xù)聽(tīng)還是聽(tīng)到聲音之后就關(guān)閉接收。通過(guò)設(shè)置continuous屬性值實(shí)現(xiàn)。一般聊天溝通使用false屬性值，如果是寫(xiě)文章寫(xiě)公眾號(hào)之類的則可以設(shè)置為true，

如下示意： newRecognition.continuous = true;

控制語(yǔ)音識(shí)別的開(kāi)啟和停止，可以使用start()和stop()方法：

// 開(kāi)啟 newRecognition.start();

// 停止 newRecognition.stop(); 對(duì)識(shí)別到的結(jié)果進(jìn)行處理，可以使用一些事件方法，比方說(shuō)onresult： newRecognition.onresult = function(event) { console.log(event); } event是個(gè)對(duì)象，我家里電腦不知道什么原因，無(wú)法成功返回識(shí)別內(nèi)容，顯示網(wǎng)絡(luò)錯(cuò)誤，可能因?yàn)閴Φ木壒剩?

2、語(yǔ)音合成Speech Synthesis

先從最簡(jiǎn)單的例子說(shuō)起，如果想讓瀏覽器讀出“你好，世界！”的聲音，可以下面的JS代碼：

var utterThis = new window.SpeechSynthesisUtterance('你好，世界！');

window.speechSynthesis.speak(utterThis);

沒(méi)錯(cuò)，只需要這么一點(diǎn)代碼就足夠了，大家可以在自己瀏覽器的控制臺(tái)里面運(yùn)行上面兩行代碼，看看有沒(méi)有讀出聲音。

上面代碼出現(xiàn)了兩個(gè)長(zhǎng)長(zhǎng)的對(duì)象，SpeechSynthesisUtterance和speechSynthesis，就是語(yǔ)音合成Speech Synthesis API的核心。

首先是SpeechSynthesisUtterance對(duì)象，主要用來(lái)構(gòu)建語(yǔ)音合成實(shí)例，例如上面代碼中的實(shí)例對(duì)象utterThis。我們可以直接在構(gòu)建的時(shí)候就把要讀的文字內(nèi)容寫(xiě)進(jìn)去：

var utterThis = new window.SpeechSynthesisUtterance('你好，世界！');

又或者是使用實(shí)例對(duì)象的一些屬性，包括：

text – 要合成的文字內(nèi)容，字符串。

lang – 使用的語(yǔ)言，字符串， 例如："zh-cn"

voiceURI – 指定希望使用的聲音和服務(wù)，字符串。

volume – 聲音的音量，區(qū)間范圍是0到1，默認(rèn)是1。

rate – 語(yǔ)速，數(shù)值，默認(rèn)值是1，范圍是0.1到10，表示語(yǔ)速的倍數(shù)，例如2表示正常語(yǔ)速的兩倍。

pitch – 表示說(shuō)話的音高，數(shù)值，范圍從0（最?。┑?（最大）。默認(rèn)值為1。

因此上面的代碼也可以寫(xiě)作：

var utterThis = new window.SpeechSynthesisUtterance();

utterThis.text = '你好，世界！';

不僅如此，該實(shí)例對(duì)象還暴露了一些方法：

onstart – 語(yǔ)音合成開(kāi)始時(shí)候的回調(diào)。

onpause – 語(yǔ)音合成暫停時(shí)候的回調(diào)。

onresume – 語(yǔ)音合成重新開(kāi)始時(shí)候的回調(diào)。

onend – 語(yǔ)音合成結(jié)束時(shí)候的回調(diào)。

接下來(lái)是speechSynthesis對(duì)象，主要作用是觸發(fā)行為，例如讀，停，還原等：

speak() – 只能接收SpeechSynthesisUtterance作為唯一的參數(shù)，作用是讀合成的話語(yǔ)。

stop() – 立即終止合成過(guò)程。

pause() – 暫停合成過(guò)程。

resume() – 重新開(kāi)始合成過(guò)程。

getVoices – 此方法不接受任何參數(shù)，用來(lái)返回瀏覽器支持的語(yǔ)音包列表，是個(gè)數(shù)組，例如，在我的電腦下，F(xiàn)irefox瀏覽器返回的語(yǔ)言包是兩個(gè)：

雖然數(shù)量很多，是有種給人中看不中用的感覺(jué)，為什么這么說(shuō)呢！在我的chrome瀏覽器下，不知道為什么，不會(huì)讀任何聲音，但是同樣的demo見(jiàn)面，公司的電腦就可以，我后來(lái)仔細(xì)查了一下，有可能(20%可能性)是我家里的電腦win7版本是閹割版，沒(méi)有安裝或配置TTS引擎。

手機(jī)Safari瀏覽器也不會(huì)讀。

三、語(yǔ)音合成Speech Synthesis API有什么用

對(duì)于盲人或弱視用戶，往往會(huì)借助一些輔助設(shè)備或者軟件訪問(wèn)我們的網(wǎng)頁(yè)，其原理是通過(guò)觸摸或定位某些元素發(fā)出聲音，來(lái)讓用戶感知內(nèi)容。

有了語(yǔ)音合成Speech Synthesis API，對(duì)于這類用戶，以及開(kāi)發(fā)人員自己，都會(huì)帶來(lái)一定的便利性。首先對(duì)于視覺(jué)有障礙的用戶，他們就不需要再安裝其他軟件或購(gòu)買其他設(shè)備，就可以無(wú)障礙地訪問(wèn)我們的產(chǎn)品。對(duì)于開(kāi)發(fā)人員自己，我們的無(wú)障礙建設(shè)可以變得更加靈活，不一定要百分百契合ARIA無(wú)障礙規(guī)范（可參見(jiàn)我之前文章“WAI-ARIA無(wú)障礙網(wǎng)頁(yè)應(yīng)用屬性完全展示”），因?yàn)槲覀兛梢灾苯幼尀g覽器合成我想要的語(yǔ)音內(nèi)容，例如，VoiceOver在對(duì)一些標(biāo)簽讀取的時(shí)候，總會(huì)附帶一句“標(biāo)志性內(nèi)容”，就算對(duì)于我這樣專業(yè)從業(yè)者，這個(gè)詞也是有點(diǎn)生澀難懂的，我們其實(shí)可以把這個(gè)語(yǔ)音合成交給自己，使用更通俗易懂的詞反饋給用戶，我想體驗(yàn)上應(yīng)該是更好的。