利用微软Speech SDK 5.1开发语音识别系统主要步骤

 


  微软语音识别分两种模式:文本识别模式和命令识别模式.此两种模式的主要区别,主要在于识别过程中使用的匹配字典不同.前者使用的是通用字典,特点是内容多,覆盖的词汇量大,字典由sdk提供.适用于没有预定目标的随机听写之类的应用.同时因为词汇量大直接导致识别的精度降低,识别速度较慢.后者的字典需要 开发者自己编写,就是你们所说的xml文件.xml文件作为一种数据存储的方式,有一定的格式,定义了sdk需要确定的一些标签,和用以匹配的词汇.这种方式由开发者定义词汇的数量,大大降低匹配过程中需要检索的词汇量,提高了识别速度.同时因为侯选项极少,所以一般不会识别错误.其缺点也是明显的:词汇量小,只有预先输入字典的词汇可以被识别出来,所以一般用来作为常用命令的识别,方便用户操作,代替菜单命令等.  

 


利用微软Speech SDK 5.1在MFC中进行语音识别开发时的主要步骤，以Speech API 5.1+VC6为例： 


  

1、初始化COM端口 
  
一般在CWinApp的子类中，调用CoInitializeEx函数进行COM初始化，代码如下： 
  
::CoInitializeEx(NULL,COINIT_APARTMENTTHREADED); // 初始化COM 
  
注意：调用这个函数时，要在工程设置（project settings）->C/C++标签,Category中选Preprocessor，在Preprocessor definitions:下的文本框中加上“,_WIN32_DCOM”。否则编译不能通过。 
  

2、创建识别引擎 
  
微软Speech SDK 5.1 支持两种模式的：共享（Share）和独享（InProc）。一般情况下可以使用共享型，大的服务型程序使用InProc。如下： 
  
hr = m_cpRecognizer.CoCreateInstance(CLSID_SpSharedRecognizer);//Share 
  
hr = m_cpRecognizer.CoCreateInstance(CLSID_SpInprocRecognizer);//InProc 
  
如果是Share型，可直接进到步骤3；如果是InProc型，必须使用 ISpRecognizer::SetInput 设置语音输入。如下： 
  
CComPtr<ISpObjectToken> cpAudioToken;   //定义一个token 
  
hr = SpGetDefaultTokenFromCategoryId(SPCAT_AUDIOIN, &cpAudioToken); //建立默认的音频输入对象 
  
if (SUCCEEDED(hr)) { hr = m_cpRecognizer->SetInput(cpAudioToken, TRUE);} 
  
或者： 
  
CComPtr<ISpAudio> cpAudio;   //定义一个音频对象 
  
hr = SpCreateDefaultObjectFromCategoryId(SPCAT_AUDIOIN, &cpAudio);//建立默认的音频输入对象 
  
hr = m_cpRecoEngine->SetInput(cpAudio, TRUE);//设置识别引擎输入源 
  

3、创建识别上下文接口 
  
调用 ISpRecognizer::CreateRecoContext 创建识别上下文接口（ISpRecoContext），如下： 
  
hr = m_cpRecoEngine->CreateRecoContext( &m_cpRecoCtxt ); 
  

4、设置识别消息 
  
调用 SetNotifyWindowMessage 告诉Windows哪个是我们的识别消息，需要进行处理。如下： 
  
hr = m_cpRecoCtxt->SetNotifyWindowMessage(m_hWnd, WM_RECOEVENT, 0, 0); 
  
SetNotifyWindowMessage 定义在 ISpNotifySource 中。 
  

5、设置我们感兴趣的事件 
  
其中最重要的事件是”SPEI_RECOGNITION“。参照 SPEVENTENUM。代码如下： 
  
const ULONGLONG ullInterest = SPFEI(SPEI_SOUND_START) | SPFEI(SPEI_SOUND_END) | SPFEI(SPEI_RECOGNITION) ; 
  
hr = m_cpRecoCtxt->SetInterest(ullInterest, ullInterest); 
  

6、创建语法规则 
  
语法规则是识别的灵魂，必须要设置。分为两种，一种是听说式（dictation），一种是命令式（command and control---C&C）。首先 利用ISpRecoContext::CreateGrammar 创建语法对象，然后加载不同的语法规则，如下： 
  

//dictation 
  
hr = m_cpRecoCtxt->CreateGrammar( GIDDICTATION, &m_cpDictationGrammar ); 
  
if   (SUCCEEDED(hr)) 
  
{ 
  
hr = m_cpDictationGrammar->LoadDictation(NULL, SPLO_STATIC);//加载词典 
  
} 
  

//C&C 
  
hr = m_cpRecoCtxt->CreateGrammar( GIDCMDCTRL, &m_cpCmdGrammar); 
  
然后利用ISpRecoGrammar::LoadCmdxxx 加载语法，例如从CmdCtrl.xml中加载： 
  
WCHAR wszXMLFile[20]=L""; 
  
MultiByteToWideChar(CP_ACP, 0, (LPCSTR)"CmdCtrl.xml"   , -1, wszXMLFile, 256);//ANSI转UNINCODE 
  
hr = m_cpCmdGrammar->LoadCmdFromFile(wszXMLFile,SPLO_DYNAMIC); 
  
注意：C&C时，语法文件使用xml格式，参见Speech SDK 5.1 中的 Designing Grammar Rules。简单例子： 
  
<GRAMMAR LANGID="804"> 
  
    <DEFINE> 
  
       <ID NAME="CMD" VAL="10"/> 
  
    </DEFINE> 
  
    <RULE NAME="COMMAND" ID="CMD" TOPLEVEL="ACTIVE"> 
  
      <L> 
  
<p>你</P> 
  
<p>我</p> 
  
<p>他</p> 
  
      </L> 
  
    </RULE> 
  
</GRAMMAR> 
  
LANGI*="804"代表简体中文，在<*>...</*>中增加命令。 
  

7、在开始识别时，激活语法进行识别 
  
hr = m_cpDictationGrammar->SetDictationState( SPRS_ACTIVE );//dictation 
  
hr = m_cpCmdGrammar->SetRuleState( NULL,NULL,SPRS_ACTIVE );//C&C 
  

8、获取识别消息，进行处理 
  
截获识别消息（WM_RECOEVENT），然后处理。识别的结果放在CSpEvent的ISpRecoResult 中。如下： 
  

USES_CONVERSION; 
  
CSpEvent event; 
  

switch (event.eEventId) 
  
{ 
  
         case SPEI_RECOGNITION: 
  
{ 
  
//识别出了语音输入 
  
m_bGotReco = TRUE; 
  
static const WCHAR wszUnrecognized[] = L"<Unrecognized>"; 
  

CSpDynamicString dstrText; 
  

//取得识别结果 
  
if (FAILED(event.RecoResult()->GetText(SP_GETWHOLEPHRASE, SP_GETWHOLEPHRASE, TRUE ,&dstrText, NULL))) 
  
{ 
  
dstrText = wszUnrecognized; 
  
} 
  

BSTR SRout; 
  
dstrText.CopyToBSTR(&SRout); 
  

CString Recstring; 
  
Recstring.Empty(); 
  
Recstring = SRout; 
  

//进一步处理 
  
...... 
  
} 
  
break; 
  
}