语音程序

为应用程序加上语音能力有什么好处呢？粗略地讲，是为了趣味，它适合所有注重趣味的应用，比如游戏。

当然，从更严肃的角度来讲，它还涉及到应用的可用性问题。

注意，这里我考虑的不仅是可视化界面固有的不足，而且还有这样一些情形：一些时候，让双眼离开当前的工作很不方便，甚至是不合法的。

比如，假设有一个带语音功能的浏览器，你就可以在外出散步或开车上班的同时，用听的方式浏览自己喜爱的网站。

从目前来看，邮件阅读器或许是语音技术更实际的应用，在JavaMail API 的帮助下，这一切已经可能。

邮件阅读器可以定期地检查收件箱，然后用语音“You have new mail,would you like me to read it to you?”引起你的注意。

按照类似的思路，我们还可以考虑一个带语音功能的提醒器，把它连接到一个日历应用：它会及时地提醒你“Don'tforget your meeting with the boss in 10 minutes!”。

也许你已经被这些主意吸引，或者有了自己更好的主意，现在让我们继续。

首先我将介绍如何启用本文提供的语音引擎，这样，如果你认为语音引擎的实现细节过于复杂，就可以直接使用它而忽略其实现细节。

一、试用语音引擎要使用这个语音引擎，你必须在CLASSPATH中加入本文提供的javatalk.jar文件，然后从命令行运行（或者从Java程序调用）com.lotontech.speech.Talker类。

如果从命令行运行，则命令为：java com.lotontech.speech.Talker "h|e|l|oo"如果从Java程序调用，则代码为：com.lotontech.speech.Talker talker=new com.lotontech.speech.Talker(); talker.sayPhoneWord("h|e|l|oo");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。

下面是一个有效音素的清单：a ：如catb ：如cabc ：如catd ：如dote ：如betf ：如frogg ：如frogh ：如hogi ：如pigj ：如jigk ：如kegl ：如legm ：如metn ：如begino ：如notp ：如potr ：如rots ：如satt ：如satu ：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 ： 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 ：如zooouu ：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类的基本定义：package com.lotontech.speech;import javax.sound.sampled.*;import java.io.*;import java.util.*;import .*;public class Talker{private 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[]){Talker player=new Talker();if (args.length>0) player.sayPhoneWord(args[0]);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 sayPhoneWord(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(thisPhoneFile);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; i{previousSound[previousSound.length-mergeCount+i]=(byte)((previousSound[previousSound.length-mergeCount+i]+thisSound[i])/2);}// 播放前一个音素playSound(previousSound);// 把经过截短的当前音素作为前一个音素byte[] newSound=new byte[thisSound.length-mergeCount]; for (int ii=0; iinewSound[ii]=thisSound[ii+mergeCount];previousSound=newSound;}elsepreviousSound=thisSound;}// 播放最后一个音素，清理声音通道playSound(previousSound);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*/private void playSound(byte[] data){if (data.length>0) 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){try{URL 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 ((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(), true);stream = AudioSystem.getAudioInputStream(tmpFormat, stream); format = tmpFormat;} info = new (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？ outInfo = new (SourceDataLine.class, format);if (!AudioSystem.isLineSupported(outInfo)){System.out.println("不支持匹配" + outInfo + "的输出线");throw new Exception("不支持匹配" + outInfo + "的输出线");}// 打开输出线line = (SourceDataLine) AudioSystem.getLine(outInfo);line.open(format, 50000);line.start();}int frameSizeInBytes = format.getFrameSize();int bufferLengthInFrames = line.getBufferSize() / 8;int bufferLengthInBytes = bufferLengthInFrames * frameSizeInBytes; byte[] data=new byte[bufferLengthInBytes];// 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 byte[numBytesRead];for (int i=0; inewData[i]=data[i];return newData;}catch (Exception e){return new byte[0];}}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。