一、SAPI简介
软件中的语音技术包括两方面的内容，一个是语音识别(speech recognition) 和语音合成(speech synthesis)。这两个技术都需要语音引擎的支持。微软推出的应用编程接口API，虽然现在不是业界标准，但是应用比较广泛。
SAPI全称 The Microsoft Speech API.相关的SR和SS引擎位于Speech SDK开发包中。这个语音引擎支持多种语言的识别和朗读，包括英文、中文、日文等。
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。SAPI是架构在COM基础上的，微软还提供了ActiveX控件，所以不仅可用于一般的windows程序，还可以用于网页、VBA甚至EXCEL的图表中。如果对COM感到陌生，还可以使用微软的C++ WRAPPERS，它用C++类封装了语音SDK COM对象。
二、安装SAPI SDK。
首先从这个站点下载开发包：
Microsoft Speech SDK 5.1添加了Automation支持。所以可以在VB,ECMAScript等支持Automation的语言中使用。
版本说明：
Version: 5.1 发布日期: 8/8/2001 语音: English 下载尺寸: 2.0 MB - 288.8 MB这个SDK开发包还包括了可以随便发布的英文和中文的语音合成引擎(TTS)，和英文、中文、日文的语音识别引擎(SR)。
系统要求98以上版本。编译开发包中的例子程序需要vc6以上环境。
******下载说明******：
（1）如果要下载例子程序，说明文档，SAPI以及用于开发的美国英语语音引擎，需要下载SpeechSDK51.exe，大约68M。 （2）如果想要使用简体中文和日文的语音引擎，需要下载SpeechSDK51LangPack.exe。大约82M。 （3）如果想要和自己的软件一起发布语音引擎，需要下载SpeechSDK51MSM.exe，大约132M。 （在这个地址，我未能成功下载）。 （4）如果要获取XP下的 Mike 和 Mary 语音，下载Sp5TTIntXP.exe。大约3.5M。 （5）如果要获取开发包的文档说明，请下载sapi.chm。大约2.3M。这个在sdk51里面已经包含。下载完毕后，首先安装SpeechSDK51.exe，然后安装中文语言补丁包SpeechSDK51LangPack，然后展开
msttss22l，自动将所需dll安装到系统目录。三、配置vc环境
在vc6.0的环境下编译语音工程，首先要配置编译环境。假设sdk安装在d:\Microsoft Speech SDK 5.1\路径下，打开工程设置对话框，在c/c++栏中选择Preprocessor分类，然后在"附加包含路径"中输入
d:\Microsoft Speech SDK 5.1\include 告诉vc编译程序所需的SAPI头文件的位置。 然后切换到LINK栏，在Input分类下的附加库路径中输入： d:\Microsoft Speech SDK 5.1\lib\i386 使vc在链接的时候能够找到sapi.lib。四、语音合成的应用。即使用SAPI实现TTS(Text to Speech)。
1、首先要初始化语音接口，一般有两种方式：
ISpVoice* pVoice; ::CoInitialize(NULL); HRESULT hr = CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL, IID_ISpVoice, (void **)&pVoice); 然后就可以使用这个指针调用SAPI函数了，例如 pVoice->SetVolume(50);//设置音量 pVoice->Speak(str.AllocSysString(),SPF_ASYNC,NULL);另外也可以使用如下方式：
CComPtr<ISpVoice> m_cpVoice; HRESULT hr = m_cpVoice.CoCreateInstance( CLSID_SpVoice ); 在下面的例子中都用这个m_cpVoice变量。CLSID_SpVoice的定义位于SPAI.H中。
2、获取/设置输出频率。
SAPI朗读文字的时候，可以采用多种频率方式输出声音，比如：
8kHz 8Bit Mono、8kHz 8Bit Stereo、44kHz 16Bit Mono、44kHz 16Bit Stereo等。在音调上有所差别。具体可以参考sapi.h。可以使用如下代码获取当前的配置：
CComPtr<ISpStreamFormat> cpStream; HRESULT hrOutputStream = m_cpVoice->GetOutputStream(&cpStream); if (hrOutputStream == S_OK) { CSpStreamFormat Fmt; hr = Fmt.AssignFormat(cpStream); if (SUCCEEDED(hr)) { SPSTREAMFORMAT eFmt = Fmt.ComputeFormatEnum(); } } SPSTREAMFORMAT 是一个ENUM类型，定义位于SPAI.H中。每一个值对应了不同的频率设置。例如 SPSF_8kHz8BitStereo = 5通过如下代码设置当前朗读频率：
CComPtr<ISpAudio> m_cpOutAudio; //声音输出接口 SpCreateDefaultObjectFromCategoryId( SPCAT_AUDIOOUT, &m_cpOutAudio ); //创建接口SPSTREAMFORMAT eFmt = 21; //SPSF_22kHz 8Bit Stereo
CSpStreamFormat Fmt;
Fmt.AssignFormat(eFmt); if ( m_cpOutAudio ) { hr = m_cpOutAudio->SetFormat( Fmt.FormatId(), Fmt.WaveFormatExPtr() ); } else hr = E_FAIL;if( SUCCEEDED( hr ) )
{ m_cpVoice->SetOutput( m_cpOutAudio, FALSE ); }3、获取/设置播放所用语音。
引擎中所用的语音数据文件一般保存在SpeechEngines下的spd或者vce文件中。安装sdk后，在注册表中保存了可用的语音，比如英文的男/女，简体中文的男音等。位置是：
HKEY_LOCAL_MACHINE\Software\Microsoft\Speech\Voices\Tokens 如果安装在中文操作系统下，则缺省所用的朗读语音是简体中文。SAPI的缺点是不能支持中英文混读，在朗读中文的时候，遇到英文，只能逐个字母读出。所以需要程序自己进行语音切换。(1) 可以采用如下的函数把当前SDK支持的语音填充在一个组合框中：
// SAPI5 helper function in sphelper.h HWND hWndCombo = GetDlgItem( hWnd, IDC_COMBO_VOICES ); //组合框句柄 HRESULT hr = SpInitTokenComboBox( hWndCombo , SPCAT_VOICES ); 这个函数是通过IEnumSpObjectTokens接口枚举当前可用的语音接口，把接口的说明文字添加到组合框中，并且把接口的指针作为LPARAM 保存在组合框中。 一定要记住最后程序退出的时候，释放组合框中保存的接口： SpDestroyTokenComboBox( hWndCombo ); 这个函数的原理就是逐个取得combo里面每一项的LPARAM数据，转换成IUnknown接口指针，然后调用Release函数。 (2) 当组合框选择变化的时候，可以用下面的函数获取用户选择的语音： ISpObjectToken* pToken = SpGetCurSelComboBoxToken( hWndCombo );(3) 用下面的函数获取当前正在使用的语音：
CComPtr<ISpObjectToken> pOldToken; HRESULT hr = m_cpVoice->GetVoice( &pOldToken ); (4) 当用户选择的语音和当前正在使用的不一致的时候，用下面的函数修改： if (pOldToken != pToken) { // 首先结束当前的朗读，这个不是必须的。 HRESULT hr = m_cpVoice->Speak( NULL, SPF_PURGEBEFORESPEAK, 0); if (SUCCEEDED (hr) ) { hr = m_cpVoice->SetVoice( pToken ); } } (5) 也可以直接使用函数SpGetTokenFromId获取指定voice的Token指针，例如： WCHAR pszTokenId[] = L"HKEY_LOCAL_MACHINE\\Software\\Microsoft\\Speech\\Voices\\Tokens\\MSSimplifiedChineseVoice"; SpGetTokenFromId(pszTokenID , &pChineseToken);4、开始/暂停/恢复/结束当前的朗读
要朗读的文字必须位于宽字符串中，假设位于szWTextString中，则： 开始朗读的代码： hr = m_cpVoice->Speak( szWTextString, SPF_ASYNC | SPF_IS_NOT_XML, 0 ); 如果要解读一个XML文本，用： hr = m_cpVoice->Speak( szWTextString, SPF_ASYNC | SPF_IS_XML, 0 );暂停的代码： m_cpVoice->Pause();
恢复的代码： m_cpVoice->Resume(); 结束的代码：（上面的例子中已经给出了） hr = m_cpVoice->Speak( NULL, SPF_PURGEBEFORESPEAK, 0);5、跳过部分朗读的文字
在朗读的过程中，可以跳过部分文字继续后面的朗读，代码如下：
ULONG ulGarbage = 0; WCHAR szGarbage[] = L"Sentence"; hr = m_cpVoice->Skip( szGarbage, SkipNum, &ulGarbage ); SkipNum是设置要跳过的句子数量，值可以是正/负。 根据sdk的说明，目前SAPI仅仅支持SENTENCE这个类型。SAPI是通过标点符号来区分句子的。6、播放WAV文件。SAPI可以播放WAV文件，这是通过ISpStream接口实现的：
CComPtr<ISpStream> cpWavStream;
WCHAR szwWavFileName[NORM_SIZE] = L"";;USES_CONVERSION;
wcscpy( szwWavFileName, T2W( szAFileName ) );//从ANSI将WAV文件的名字转换成宽字符串//使用sphelper.h 提供的这个函数打开 wav 文件，并得到一个 IStream 指针
hr = SPBindToFile( szwWavFileName, SPFM_OPEN_READONLY, &cpWavStream ); if( SUCCEEDED( hr ) ) { m_cpVoice->SpeakStream( cpWavStream, SPF_ASYNC, NULL );//播放WAV文件 } 7、将朗读的结果保存到wav文件 TCHAR szFileName[256];//假设这里面保存着目标文件的路径 USES_CONVERSION; WCHAR m_szWFileName[MAX_FILE_PATH]; wcscpy( m_szWFileName, T2W(szFileName) );//转换成宽字符串//创建一个输出流，绑定到wav文件
CSpStreamFormat OriginalFmt; CComPtr<ISpStream> cpWavStream; CComPtr<ISpStreamFormat> cpOldStream; HRESULT hr = m_cpVoice->GetOutputStream( &cpOldStream ); if (hr == S_OK) hr = OriginalFmt.AssignFormat(cpOldStream); else hr = E_FAIL; // 使用sphelper.h中提供的函数创建 wav 文件 if (SUCCEEDED(hr)) { hr = SPBindToFile( m_szWFileName, SPFM_CREATE_ALWAYS, &cpWavStream, &OriginalFmt.FormatId(), OriginalFmt.WaveFormatExPtr() ); } if( SUCCEEDED( hr ) ) { //设置声音的输出到 wav 文件，而不是 speakers m_cpVoice->SetOutput(cpWavStream, TRUE); } //开始朗读 m_cpVoice->Speak( szWTextString, SPF_ASYNC | SPF_IS_NOT_XML, 0 );//等待朗读结束
m_cpVoice->WaitUntilDone( INFINITE ); cpWavStream.Release();//把输出重新定位到原来的流
m_cpVoice->SetOutput( cpOldStream, FALSE ); 8、设置朗读音量和速度 m_cpVoice->SetVolume((USHORT)hpos); //设置音量，范围是 0 - 100 m_cpVoice->SetRate(hpos); //设置速度，范围是 -10 - 10hpos的值一般位于
9、设置SAPI通知消息。SAPI在朗读的过程中，会给指定窗口发送消息，窗口收到消息后，可以主动获取SAPI的事件，
根据事件的不同，用户可以得到当前SAPI的一些信息，比如正在朗读的单词的位置，当前的朗读口型值（用于显 示动画口型，中文语音的情况下并不提供这个事件）等等。要获取SAPI的通知，首先要注册一个消息：
m_cpVoice->SetNotifyWindowMessage( hWnd, WM_TTSAPPCUSTOMEVENT, 0, 0 ); 这个代码一般是在主窗口初始化的时候调用，hWnd是主窗口（或者接收消息的窗口）句柄。WM_TTSAPPCUSTOMEVENT 是用户自定义消息。在窗口响应WM_TTSAPPCUSTOMEVENT消息的函数中，通过如下代码获取sapi的通知事件：
CSpEvent event; // 使用这个类，比用 SPEVENT结构更方便
while( event.GetFrom(m_cpVoice) == S_OK )
{ switch( event.eEventId ) { 。。。 } }eEventID有很多种，比如SPEI_START_INPUT_STREAM表示开始朗读，SPEI_END_INPUT_STREAM表示朗读结束等。
可以根据需要进行判断使用。四、结束语
SAPI的功能很多，比如语音识别、使用语法分析等，由于条件和精力有限，我未能一一尝试，感兴趣的朋友可以自己安装一个研究一下。 另外提供一个简单例子程序的下载，位置是：