Implementar síntesis de voz en el programa ASP.NET.

Autor：Eve Cole Fecha de actualización：2009-06-30 16:07:51

Quizás hayas notado que la síntesis de voz se está volviendo cada vez más común en estos días. Cientos de juguetes y aparatos electrónicos son capaces de hablar con sus dueños con voces de máquina. Ya sea una muñeca que habla, un podómetro parlante o un nuevo sistema telefónico automatizado, casi todos los días se lanza un producto que utiliza texto para hablar.

La tecnología de texto a voz (TTS), también conocida como síntesis de voz, es el proceso de convertir texto de entrada en voz de audio. Este enfoque es mejor que el texto pregrabado: requiere un conocimiento previo de lo que se va a decir. Con TTS es posible agregar información dinámica. La información dinámica puede provenir de una base de datos o puede ser repetida por el usuario.

1. prueba TTS

Si ha visto u oído hablar de TTS en acción, es posible que desee descargar una versión gratuita de ReadWhy 2003. Este producto puede leer texto del portapapeles de Windows. Para usarlo, simplemente pegue un texto en el editor ReadWhy (consulte la Figura 1) y, suponiendo que los parlantes de su PC estén encendidos, escuchará la reproducción del texto. Actualmente, el producto sólo funciona en todas las versiones del sistema operativo de escritorio Windows, pero también planean lanzar versiones para sistemas Mac, Unix, Palm y Windows CE.

Lo interesante de ReadWhy es que puede utilizar el editor ReadWhy para experimentar con sus selecciones de parámetros TTS. Por ejemplo, puede ajustar la velocidad de articulación moviendo el control deslizante Velocidad que se muestra en la Figura 1 hacia arriba o hacia abajo. También puedes cambiar la voz utilizada haciendo clic en el botón de flecha debajo del ícono de la carita.

Figura 1. Aplicación ReadWhy 2003: esta aplicación de Windows puede leer cualquier texto pegado desde el portapapeles en un campo de edición.

¿Qué necesitas? Visual Studio.NET 2003, SDK de aplicaciones de voz de Microsoft 1.1

Hacer clic en el menú "Herramientas" y luego seleccionar "Opciones" le permite experimentar más con el editor TTS; por ejemplo, puede ajustar la duración de las pausas del motor de voz entre párrafos; Actualizar a la versión ReadWhy Plus le dará acceso a una opción de editor de pronunciación adicional que le permitirá especificar cómo pronunciar una palabra en particular. Read Please Plus también incluye una barra de tareas que puede acoplar en la parte superior de su escritorio de Windows. De este modo, puede arrastrar rápidamente texto desde cualquier aplicación basada en archivos a la barra de tareas y hacer que se lo lea.

De forma predeterminada, la aplicación ReadWhy utiliza la voz integrada de Microsoft (Mark, Mike, Sam o Marilyn). Sin embargo, opcionalmente puede comprar AT&T Natural Voices de mayor calidad, como los disponibles en el paquete inicial de AT&T Natural Voices. El Starter Pack incluye versiones 8K de "Mike" y "Crystal", las cuales suenan mejor que las voces predeterminadas de Microsoft.

Nota del autor: El término 8K significa que la frecuencia de muestreo utilizada para crear archivos WAV es de 8000 bits por segundo. Otro formato es 16k, que produce un efecto de escucha más claro y natural. Básicamente, cuanto mayor sea la frecuencia de muestreo, mejor será la calidad del sonido.

2. SDK 1.1 del kit de desarrollo de aplicaciones de Microsoft Voice

En 2004, Microsoft lanzó Microsoft Speech Server y existe un SDK gratuito que le permite desarrollar programas de voz basados en Web que se ejecutan en Speech Server. Puede utilizar el SDK para crear aplicaciones de telefonía o de voz únicamente, donde la interacción entre computadora y usuario se logra mediante el teléfono. También puede crear aplicaciones multimodales en las que el usuario elija utilizar controles web tradicionales o de voz como entrada.

El motor Microsoft TTS sintetiza texto dividiendo palabras en fonemas. Los fonemas son las unidades básicas del lenguaje humano. Representan un grupo de "sonidos" que forman los sonidos de una palabra. Luego, el motor TTS analiza los fonemas extraídos y los convierte en símbolos utilizados para generar voz de audio digital.

Puede utilizar la aplicación de muestra descargable que acompaña a este artículo (ExploringTextToSpeech.csproj) para experimentar con los aspectos configurables del motor TTS de Microsoft. Esta aplicación multimodal consta de una página web (ver Figura 2) en la que puede ingresar texto. Luego puede hacer clic en un botón para escuchar el texto de la siguiente manera.

Nota del autor: el uso de un motor TTS es inevitable cuando no se puede conocer de antemano el texto que se va a reproducir; sin embargo, puede obtener una mejor calidad de sonido grabando audio; Cuando la calidad del audio es fundamental, puede utilizar el kit de desarrollo de software de aplicaciones de voz de Microsoft (SASDK) para grabar audio. Por ejemplo, es posible que desee utilizar audio grabado para solicitar información al usuario. El audio grabado se puede dividir en una serie de señales, que luego se concatenan en tiempo de ejecución.

· Hablar texto normalmente: proporciona un punto de referencia de prueba

· Decir como acrónimo: el texto "ASP" se genera mediante "ASP"

· Diga como nombre: el Sr. John Doe fue atacado "Mister John Doe"

· Decir como fecha: en este caso, la fecha tiene el formato: mes, día, año.

· Decir como dirección web: en este caso, el texto tiene el formato de identificador uniforme de recursos (URI)

· Decir como dígitos: los números ingresados como texto se representan como una serie de dígitos

· Tono alto/velocidad lenta: el texto se emite lentamente y en un tono alto.

· Velocidad rápida/volumen alto: el texto se emite en un tono alto y rápido.

· Tono bajo/volumen suave: el texto se emite en tono bajo a un volumen moderado.

Figura 2. Aplicación de muestra: puede utilizar esta aplicación para escuchar texto hablado de diversas formas.

La aplicación multimodal utiliza un control de aviso para especificar el audio que se reproducirá para el usuario. El control de solicitud contiene la propiedad InlineContent; puede contener un control de voz básico que sea Contenido o Valor. El control Contenido especifica un archivo de solicitud específico que contiene la grabación de audio almacenada. El control Valor especifica un elemento en una página web HTML. La aplicación de ejemplo utiliza un control Valor que hace referencia a un elemento de entrada denominado txtText (en el campo "Escriba un texto aquí:" en la Figura 2). Aquí está el HTML que describe la anotación utilizada para un mensaje:

＜voz:prompt id="prmText" runat="servidor"＞
＜Contenido en línea＞
＜discurso:Valor runat="servidor"
TargetElement="txtText"
TargetAttribute="valor">
＜/discurso:Valor＞
＜/Contenido en línea＞
＜/habla:mensaje＞

3. Lenguaje de anotaciones de síntesis de voz.

El motor TTS hace ciertas suposiciones predeterminadas sobre cómo reproducir el texto al que hace referencia el atributo InlineContent, pero los desarrolladores pueden controlar cómo el motor TTS genera audio mediante el uso de elementos del lenguaje de marcado de síntesis de voz (SSML). Según la recomendación de la Asociación W3C, SSML es un lenguaje de marcado basado en XML. La Tabla 1 enumera los elementos SSML admitidos por SASDK.

Tabla 1. Elementos SSML admitidos: la tabla enumera los elementos SSML admitidos por SASDK y utilizados para controlar la forma en que el motor TTS genera texto.

Descripción	del elemento SSML
ssml:paragraph/ssml:sentence	se utiliza para dividir el texto en oraciones o párrafos.
ssml:say-as	se utiliza para especificar cómo reproducir el texto. Acepta varios atributos diferentes para especificar el tipo de texto.
ssml:fonema	se utiliza para controlar la pronunciación de una palabra.
ssml:sub	se utiliza para especificar una palabra o frase de reemplazo para reemplazar el texto especificado.
ssml:emphasis	se utiliza para aumentar el énfasis puesto en una palabra o frase.
ssml:break	se utiliza para insertar algunas pausas entre determinadas palabras del texto.
ssml:prosody	se utiliza para controlar el tono, la velocidad y el volumen.
ssml:audio	se utiliza para insertar archivos de audio grabados.
ssml:mark	se utiliza para insertar una marca en una posición determinada del texto. Luego, esta etiqueta se puede utilizar para representar un evento o desencadenar un comportamiento.

Esta aplicación de ejemplo ilustra el uso de elementos say-as y prosodySSML. Cada botón de la página Default.aspx corresponde a un control de solicitud. Estos controles de aviso incluyen un elemento ssml:say-as o ssml:prosody dentro del elemento InlineContent. El siguiente ejemplo muestra el marcado HTML para uno de estos elementos:

＜voz:prompt id="prmSayAsAcronym" runat="servidor"＞
＜Contenido en línea＞
＜ssml:say-as type="acrónimo"＞
＜discurso:Valor runat="servidor"
TargetElement="txtText"
TargetAttribute="valor"></speech:Value>
＜/ssml:decir-como＞
＜/Contenido en línea＞
＜/habla:mensaje＞

Cuando el usuario hace clic en uno de estos botones, ejecuta el JavaScript que se muestra a continuación:

función DecirAsAcronym() {
prmSayAsAcronym.Start();
}

En el ejemplo anterior, el mensaje denominado prmSayAsAcronym incluye el elemento ssml:say-as, que especifica que cualquier texto contenido en un elemento de entrada txtText debe emitirse con la primera letra de cada palabra. Entonces, si escribe "ASP" en un elemento de texto y hace clic en "Decir como acrónimo", el motor TTS leerá cada letra.

Para experimentar con la aplicación de muestra, puede ingresar algunos fragmentos de texto y hacer clic en cada botón para ver cómo el motor TTS interpreta el texto. Le recomiendo que cambie los valores de los elementos y experimente con la forma en que se genera cada control. SASDK ofrece a los desarrolladores un buen control sobre cómo el motor TTS genera texto, por lo que la experimentación puede conducir a una aplicación basada en voz más natural.