微软Speech SDK 5.1开发语音识别系统主要步骤

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：

利用微软Speech SDK 5.1开发语音识别系统主要步骤

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。

利用微软Speech SDK 5.1开发语音识别系统主要步骤

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;

}

9、释放创建的引擎、识别上下文对象、语法等。调用相应的Release函数即可。

至此最简单的识别就完成了。