1.首先開發得需要Microsoft Speech SDK 5.1的支持，以下是下載地址
http://www.microsoft.com/downloads/en/details.aspx?FamilyID=5e86ec97-40a7-453f-b0ee-6583171b4530
2.下載後，執行安裝
下載完畢後首先安裝SpeechSDK51.exe，然後安裝中文語言補丁包SpeechSDK51LangPack，然後展開
speechsdk51MSM.exe，這些都是自解壓文件，解壓後執行相應的setup程序到你要的目錄，默認C:\Microsoft Speech SDK 5.1.對應的開發參考手冊爲sapi.chm，詳細描述了各個函數的細節等.
3.VC的環境配置
在應用SDK的開發前當然得需要對工程環境進行配置，我用的是VS2003(其他情況類似)，配置的過程如下:
工具->選項->項目->VC++目錄，在"顯示以下內容的目錄"下拉框中選擇"包含目錄"項，添加一項C:\Program Files\Microsoft Speech SDK 5.1\Include到目錄中去。再選擇"庫文件"項，添加一項C:\Program Files\Microsoft Speech SDK 5.1\Lib\i386到目錄中去.
4.其他準備項
基礎的配置已經完成，那麼接下來的工作就是要包含編譯的頭文件了，所以先將頭文件和庫文件包含進來
#include <sapi.h>
#include <sphelper.h>
#include <spuihelp.h>
#pragma comment(lib,"ole32.lib") //CoInitialize CoCreateInstance需要調用ole32.dll
#pragma comment(lib,"sapi.lib") //sapi.lib在SDK的lib目錄,必需正確配置
具體其他函數所需要的頭文件可參考sapi.chm手冊.
5.源文件修改項
看上去上面的部分配置完成後就大功告成了，其實還不全是，當你編譯時就會出錯：
c:\program files\microsoft speech sdk 5.1\include\sphelper.h(2373) : error C2065: 'psz' : undeclared identifier
No user-defined-conversion operator available that can perform this conversion, or the operator cannot be called
c:\program files\microsoft speech sdk 5.1\include\sphelper.h(2633) : error C2664: 'wcslen' : cannot convert parameter 1 from 'SPPHONEID *' to 'const wchar_t *'
Types pointed to are unrelated; conversion requires reinterpret_cast, C-style cast or function-style cast
修改後: const unsigned long ulLenVendorPreferred = wcslen(pszVendorPreferred);
Line 2633
修改前: pphoneId += wcslen(pphoneId) + 1;
修改後: pphoneId += wcslen((const wchar_t *)pphoneId) + 1;
6.SAPI實現TTS(Text to Speech)
- 1. 首先要初始化語音接口，一般有兩種方式：
ISpVoice* pVoice;
::CoInitialize(NULL);
HRESULT hr =CoCreateInstance(CLSID_SpVoice, NULL, CLSCTX_ALL,IID_ISpVoice, (void **)&pVoice);
然後就可以使用這個指針調用SAPI函數了，例如
pVoice->SetVolume(50);//設置音量
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這個m_cpVoice變量。CLSID_SpVoice的定義位於sapi.h中。
- 2. 獲取/設置輸出頻率。
SAPI朗讀文字的時候，可以採用多種頻率方式輸出聲音，比如：8kHz 8Bit Mono、8kHz 8BitStereo、44kHz 16BitStereo等,在音調上有所差別。具體可以參考sapi.h。
可以使用如下代碼獲取當前的頻率配置：
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 是一個ENUM類型，定義位於sapi.h中，這樣eFmt就保存了獲得的當前頻率設置值。每一個值對應了不同的頻率設置。
通過如下代碼設置當前朗讀頻率：
CComPtr<ISpAudio> m_cpOutAudio; //聲音輸出接口
SpCreateDefaultObjectFromCategoryId( SPCAT_AUDIOOUT,&m_cpOutAudio ); //創建接口
SPSTREAMFORMAT eFmt = SPSF_8kHz8BitMono; //SPSF_8kHz 8Bit Mono這個參數可以參考sapi.chm手冊
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. 獲取/設置播放所用語音。
引擎中所用的語音數據文件一般保存在SpeechEngines下的spd或者vce文件中。安裝sdk後，在註冊表中保存了可用的語音，比如英文的男/女，簡體中文的男音等。位置是：
HKEY_LOCAL_MACHINE\Software\Microsoft\Speech\Voices\Tokens
SAPI的缺點是不能支持中英文混讀，在朗讀中文的時候，遇到英文，只能逐個字母讀出。所以需要程序自己進行語音切換。
(1) 可以採用如下的函數把當前SDK支持的語音填充在一個組合框中：
// SAPI5helper function in sphelper.h
CWnd* m_wnd = GetDlgItem(IDC_COMBO_VOICES);
HWND hWndCombo = m_wnd->m_hWnd; //組合框句柄
HRESULT hr =SpInitTokenComboBox( hWndCombo , SPCAT_VOICES );
這個函數是通過IEnumSpObjectTokens接口枚舉當前可用的語音接口，把接口的說明文字添加到組合框中，並且把接口的指針作爲LPARAM 保存在組合框中。
一定要記住最後程序退出的時候，釋放組合框中保存的接口：
SpDestroyTokenComboBox( hWndCombo );
這個函數的原理就是逐個取得combo裏面每一項的LPARAM數據，轉換成IUnknown接口指針，然後調用Release函數。
(2) 當組合框選擇變化的時候，可以用下面的函數獲取用戶選擇的語音：
ISpObjectToken* pToken = SpGetCurSelComboBoxToken( hWndCombo );
(3) 用下面的函數獲取當前正在使用的語音：
CComPtr<ISpObjectToken> pOldToken;
HRESULT hr = m_cpVoice->GetVoice( &pOldToken);
(4) 當用戶選擇的語音和當前正在使用的不一致的時候，用下面的函數修改：
if(pOldToken != pToken)
{
// 首先結束當前的朗讀，這個不是必須的。
HRESULT hr = m_cpVoice->Speak( NULL,SPF_PURGEBEFORESPEAK, 0);
if (SUCCEEDED (hr) )
hr = m_cpVoice->SetVoice( pToken );
}
(5) 也可以直接使用函數SpGetTokenFromId獲取指定voice的Token指針，例如：
WCHAR pszTokenId[] =L"HKEY_LOCAL_MACHINE\\Software\\Microsoft\\Speech\\Voices\\Tokens\\MSSimplifiedChineseVoice";
SpGetTokenFromId(pszTokenID , &pChineseToken);
- 4 開始/暫停/恢復/結束當前的朗讀
要朗讀的文字必須位於寬字符串中,所以從文本框中讀取的字符串類型CString必須轉換成爲WCHAR型，如下(m_strText爲文本框變量):
CString strSpeak;
m_strText.GetWindowText(strSpeak);
WCHAR wChar[256];
memset(wChar ,0,256);
MultiByteToWideChar( CP_ACP , 0 , strSpeak , strSpeak.GetLength() , wChar , 256);
這樣就將文本框中的字符串strSpeak轉化爲WCHAR型的wChar變量中了.
開始朗讀的代碼：
hr =m_cpVoice->Speak( wChar, SPF_ASYNC |SPF_IS_NOT_XML, 0 );
如果要解讀一個XML文本，用：
hr =m_cpVoice->Speak( wChar, SPF_ASYNC |SPF_IS_XML, 0 );
暫停的代碼： m_cpVoice->Pause();
恢復的代碼： m_cpVoice->Resume();
結束的代碼：（上面的例子中已經給出了）
hr =m_cpVoice->Speak( NULL, SPF_PURGEBEFORESPEAK,0);
- 5 跳過部分朗讀的文字
在朗讀的過程中，可以跳過部分文字繼續後面的朗讀，代碼如下：
ULONG ulGarbage = 0;
WCHAR szGarbage[] =L"Sentence";
hr =m_cpVoice->Skip( szGarbage, SkipNum,&ulGarbage );
SkipNum是設置要跳過的句子數量，值可以是正/負。
根據sdk的說明，目前SAPI僅僅支持SENTENCE這個類型。SAPI是通過標點符號來區分句子的。
- 6 播放WAV文件。SAPI可以播放WAV文件，這是通過ISpStream接口實現的：
CComPtr<ISpStream> cpWavStream;
WCHAR szwWavFileName[NORM_SIZE] = L"";
USES_CONVERSION;
wcscpy( szwWavFileName, T2W(szAFileName ) );//從ANSI將WAV文件的名字轉換成寬字符串
//使用sphelper.h 提供的這個函數打開wav 文件，並得到一個 IStream 指針
hr = SPBindToFile(szwWavFileName, SPFM_OPEN_READONLY, &cpWavStream);
if( SUCCEEDED( hr ) )
{
m_cpVoice->SpeakStream( cpWavStream, SPF_ASYNC, NULL);//播放WAV文件
}
- 7 將朗讀的結果保存到wav文件
TCHARszFileName[256];//假設這裏面保存着目標文件的路徑
USES_CONVERSION;
WCHAR m_szWFileName[MAX_FILE_PATH];
wcscpy( m_szWFileName,T2W(szFileName) );//轉換成寬字符串
//創建一個輸出流，綁定到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中提供的函數創建 wav文件
if (SUCCEEDED(hr))
{
hr = SPBindToFile( m_szWFileName, SPFM_CREATE_ALWAYS,&cpWavStream,&OriginalFmt.FormatId(),OriginalFmt.WaveFormatExPtr() );
}
if( SUCCEEDED( hr ) )
{
//設置聲音的輸出到 wav 文件，而不是speakers
m_cpVoice->SetOutput(cpWavStream, TRUE);
}
//開始朗讀
m_cpVoice->Speak( wChar, SPF_ASYNC |SPF_IS_NOT_XML, 0 );
//等待朗讀結束
m_cpVoice->WaitUntilDone( INFINITE );
cpWavStream.Release();
//把輸出重新定位到原來的流
m_cpVoice->SetOutput( cpOldStream, FALSE );
- 8 設置朗讀音量和速度
m_cpVoice->SetVolume((USHORT)hpos); //設置音量，範圍是 0 -100
m_cpVoice->SetRate(hpos); //設置速度，範圍是 -10 - 10
- 9 設置SAPI通知消息。
SAPI在朗讀的過程中，會給指定窗口發送消息，窗口收到消息後，可以主動獲取SAPI的事件，根據事件的不同，用戶可以得到當前SAPI的一些信息，比如正在朗讀的單詞的位置，當前的朗讀口型值（用於顯示動畫口型，中文語音的情況下並不提供這個事件）等等。要獲取SAPI的通知，首先要註冊一個消息：
m_cpVoice->SetNotifyWindowMessage( hWnd,WM_TTSAPPCUSTOMEVENT, 0, 0 );
這個代碼一般是在主窗口初始化的時候調用，hWnd是主窗口（或者接收消息的窗口）句柄。WM_TTSAPPCUSTOMEVENT是用戶自定義消息。在窗口響應WM_TTSAPPCUSTOMEVENT消息的函數中，通過如下代碼獲取sapi的通知事件：
CSpEvent event; // 使用這個類，比用 SPEVENT結構更方便
while(event.GetFrom(m_cpVoice) == S_OK )
{
switch( event.eEventId )
{
...
}
}
eEventID有很多種，比如SPEI_START_INPUT_STREAM表示開始朗讀，SPEI_END_INPUT_STREAM表示朗讀結束等。
可以根據需要進行判斷使用。
7.總結
還有一些關於xml的支持可以參考sapi.chm幫助手冊，感謝網絡原作提供的資源，有iwaswzq，yaooo等
