用Java实现语音引擎Word下载.docx

1、现在，对于在命令行上（或者调用sayPhoneWord（）方法时）提供的“h|e|l|oo”字符串，你或许有所不解。下面我就来解释一下。语音引擎的工作原理是把细小的声音样本连接起来，每一个样本都是人的语言发音（英语）的一个最小单位。这些声音样本称为音素（allophone）。每一个因素对应一个、二个或者三个字母。从前面“hello”的语音表示可以看出，一些字母组合的发音显而易见，还有一些却不是很明显：h - 读音显而易见e - 读音显而易见l - 读音显而易见，但注意两个“l”被简缩成了一个“l”。OO - 应该读作“hello”中的读音，不应读作“bot”、“too”中的读音。下面是一个有效

2、音素的清单：a ： 如catb ： 如cabc ：d ： 如dote ： 如betf ： 如frogg ：h ： 如hogi ： 如pigj ： 如jigk ： 如kegl ： 如legm ： 如metn ： 如begino ： 如notp ： 如potr ： 如rots ： 如satt ：u ： 如putv ： 如havew ： 如wety ： 如yetz ： 如zooaa ： 如fakeay ： 如hayee ： 如beeii ： 如highoo ： 如gobb ： b的变化形式，重音不同dd ： d的变化形式，重音不同ggg ： g的变化形式，重音不同hh ： h的变化形式，重音不同ll

3、 ： l的变化形式，重音不同nn ： n的变化形式，重音不同rr ： r的变化形式，重音不同tt ： t的变化形式，重音不同yy ： y的变化形式，重音不同ar ： 如caraer ： 如carech ： 如whichck ： 如checkear ： 如beerer ： 如latererr ： 如later （长音）ng ： 如feedingor ： 如lawou ：ouu ： 如zoo （长音）ow ： 如cowoy ： 如boysh ： 如shutth ： 如thingdth ： 如thisuh ： u 的变化形式wh ： 如wherezh ： 如Asian人说话的时候，语音在整个句子之内

4、起落变化。语调变化使得语音更自然、更富有感染力，使得问句和陈述句能够相互区别。请考虑下面两个句子：It is fake - f|aa|kIs it fake? - f|AA|k也许你已经猜想到，提高语调的方法是使用大写字母。以上就是使用该软件时你需要了解的东西。如果你对其后台实现细节感兴趣，请继续阅读。二、实现语音引擎语音引擎的实现只包括一个类，四个方法。它利用了J2SE 1.3包含的Java Sound API。在这里，我不准备全面地介绍这个API，但你可以通过实例学习它的用法。Java Sound API并不是一个特别复杂的API，代码中的注释将告诉你必须了解的知识。下面是Talker类的

5、基本定义：package com.lotontech.speech;import javax.sound.sampled.*;import java.io.*;import java.util.*;import .*;public class Talkerprivate SourceDataLine line=null;如果从命令行执行Talker，下面的main（）方法将作为入口点运行。main（）方法获取第一个命令行参数，然后把它传递给sayPhoneWord（）方法：/* 读出在命令行中指定的表示读音的字符串*/public static void main（String args）Ta

6、lker player=new Talker（）;if （args.length0） player.sayPhoneWord（args0）;System.exit（0）;sayPhoneWord（）方法既可以通过上面的main（）方法调用，也可以在Java程序中直接调用。从表面上看， sayPhoneWord（）方法比较复杂，其实并非如此。实际上，它简单地遍历所有单词的语音元素（在输入字符串中语音元素以“|”分隔），通过一个声音输出通道一个元素一个元素地播放出来。为了让声音更自然一些，我把每一个声音样本的结尾和下一个声音样本的开头合并了起来：* 读出指定的语音字符串public void sa

7、yPhoneWord（String word）/ 为上一个声音构造的模拟byte数组byte previousSound=null;/ 把输入字符串分割成单独的音素StringTokenizer st=new StringTokenizer（word,|,false）;while （st.hasMoreTokens（）/ 为音素构造相应的文件名字String thisPhoneFile=st.nextToken（）;thisPhoneFile=/allophones/+thisPhoneFile+.au;/ 从声音文件读取数据byte thisSound=getSound（thisPhoneF

8、ile）;if （previousSound!=null）/ 如果可能的话，把前一个音素和当前音素合并int mergeCount=0;if （previousSound.length=500 & thisSound.length=500）mergeCount=500;for （int i=0; ipreviousSoundpreviousSound.length-mergeCount+i=（byte）（previousSoundpreviousSound.length-mergeCount+i+thisSoundi）/2）;/ 播放前一个音素playSound（previousSound）;

9、/ 把经过截短的当前音素作为前一个音素byte newSound=new bytethisSound.length-mergeCount;for （int ii=0; iinewSoundii=thisSoundii+mergeCount;previousSound=newSound;elsepreviousSound=thisSound;/ 播放最后一个音素，清理声音通道drain（）;在sayPhoneWord（）的后面，你可以看到它调用playSound（）输出单个声音样本（即一个音素），然后调用drain（）清理声音通道。下面是playSound（）的代码：* 该方法播放一个声音样本p

10、rivate void playSound（byte data）if （data.length0） line.write（data, 0, data.length）;下面是drain（）的代码：* 该方法清理声音通道private void drain（）if （line!=null） line.drain（）;try Thread.sleep（100）; catch （Exception e） 现在回过头来看sayPhoneWord（），这里还有一个方法我们没有分析，即getSound（）方法。getSound（）方法从一个au文件以字节数据的形式读入预先录制的声音样本。要了解读取数据、转换

11、音频格式、初始化声音输出行（SouceDataLine）以及构造字节数据的详细过程，请参考下面代码中的注释：* 该方法从文件读取一个音素，* 并把它转换成byte数组private byte getSound（String fileName）tryURL url=Talker.class.getResource（fileName）;AudioInputStream stream = AudioSystem.getAudioInputStream（url）;AudioFormat format = stream.getFormat（）;/ 把一个ALAW/ULAW声音转换成PCM以便回放if （

12、format.getEncoding（） = AudioFormat.Encoding.ULAW） |（format.getEncoding（） = AudioFormat.Encoding.ALAW）AudioFormat tmpFormat = new AudioFormat（AudioFormat.Encoding.PCM_SIGNED,format.getSampleRate（）, format.getSampleSizeInBits（） * 2,format.getChannels（）, format.getFrameSize（） * 2,format.getFrameRate（）,

13、 true）;stream = AudioSystem.getAudioInputStream（tmpFormat, stream）;format = tmpFormat;DataLine.Info info = new DataLine.Info（Clip.class, format,（int） stream.getFrameLength（） * format.getFrameSize（）;if （line=null）/ 输出线还没有实例化/ 是否能够找到合适的输出线类型？DataLine.Info outInfo = new DataLine.Info（SourceDataLine.cla

14、ss,format）;if （!AudioSystem.isLineSupported（outInfo）System.out.println（不支持匹配 + outInfo + 的输出线throw new Exception（/ 打开输出线line = （SourceDataLine） AudioSystem.getLine（outInfo）;line.open（format, 50000）;line.start（）;int frameSizeInBytes = format.getFrameSize（）;int bufferLengthInFrames = line.getBufferSiz

15、e（） / 8;int bufferLengthInBytes = bufferLengthInFrames * frameSizeInBytes;byte data=new bytebufferLengthInBytes;/ 读取字节数据，并计数int numBytesRead = 0;if （numBytesRead = stream.read（data） != -1）int numBytesRmaining = numBytesRead;/ 把字节数据切割成合适的大小byte newData=new bytenumBytesRead;newDatai=datai;return newDa

16、ta;catch （Exception e）return new byte0;这就是全部的代码，包括注释在内，一个大约150行代码的语音合成器。三、文本-语音转换以语音元素的格式指定待朗读的单词似乎过于复杂，如果要构造一个能够朗读文本（比如Web页面或Email）的应用，我们希望能够直接指定原始的文本。深入分析这个问题之后，我在本文后面的ZIP文件中提供了一个试验性的文本-语音转换类。运行这个类，它将显示出分析结果。文本-语音转换类可以从命令行执行，如下所示：java com.lotontech.speech.Converter hello there输出结果类如：hello - h|e|l|

17、oothere - dth|aer如果运行下面这个命令：I like to read JavaWorld则输出结果为：i -like - l|ii|kto - t|ouuread - r|ee|a|djava - j|a|v|aworld - w|err|l|d这个转换类是如何工作的呢？实际上，我的方法相当简单，转换过程就是以一定的次序应用一组文本替换规则。例如对于单词“ant”、“want”、“wanted”、“unwanted”和“unique”，则我们想要应用的替换规则可能依次为：用“|y|ou|n|ee|k|”替换“*unique*”用“|w|o|n|t|”替换“*want*”用“|a

18、|”替换“*a*”用“|e|”替换“*e*”用“|d|”替换“*d*”用“|n|”替换“*n*”用“|u|”替换“*u*”用“|t|”替换“*t*”对于“unwanted”，输出序列为：unwantedun|w|o|n|t|ed （规则2）|u|n|w|o|n|t|e|d| （规则4、5、6、7）u|n|w|o|n|t|e|d （删除多余的符之后）你将看到包含字母“wont”的单词和包含字母“ant”的单词以不同的方式发音，还将看到在特例规则的作用下，“unique”作为一个完整单词优先于其他规则，从而“unique”这个单词读作“y|ou.”而不是“u|n.”。结束语：本文提供了一个可以随时运行的、方便的语音引擎，你可以在自己的Java1.3应用中使用它。如果仔细分析一下代码，它还为你提供了一个用JavaSound API播放音频片断的实用教程。要让它变得真正有用，你应该考虑一下文本-语音转换技术，因为对于我前面提到的文本阅读应用来说，这是真正的支撑基础。要改善本文方案的效果，你必须构造出一个庞大的替换规则库，精心调整应用规则的优先次序。希望你比我更有毅力！