Блог

Я внедряю ISpTTSEngine для Microsoft Speech API (SAPI). Я бы хотел, чтобы этот голос объявлял так же, как обычный голос TTS. Вместо того, чтобы писать свой собственный синтезатор речи, я хотел бы делегировать его встроенному ISpVoice.

Я написал достаточно кода, чтобы слышать озвученный текст, но у него есть серьезный недостаток, который я не смог объяснить: речь не начинается до тех пор, пока моя реализация ISpTTSEngine:Speak не вернется. В течение всего времени звукового вывода моя реализация ISpTTSEngine:Speak не вызывается, даже когда программное обеспечение, использующее голос TTS, отправляет запросы.

(Для контекста: моя цель в этом проекте-программно наблюдать за речевыми данными, которые другие части программного обеспечения пытаются озвучить. Эта часть, похоже, работает так, как задумывалось.)

Полный источник доступен здесь. Я постараюсь подвести итог с наиболее релевантными частями.

В моей реализации ISpTTSEngine есть частный участник с именем m_cpVoice :

 class ATL_NO_VTABLE CTTSEngObj :
    public CComObjectRootEx<CComMultiThreadModel>,
    public CComCoClass<CTTSEngObj, amp;CLSID_SampleTTSEngine>,
    public ISpTTSEngine,
    public ISpObjectWithToken
{
  // ...
  private:
    CComPtr<ISpVoice> m_cpVoice;
 

И он инициализируется в FinalConstruct методе:

 HRESULT CTTSEngObj::FinalConstruct()
{
    HRESULT hr = S_OK;

    // ...

    hr = m_cpVoice.CoCreateInstance(CLSID_SpVoice);
 

Моя реализация ISpTTSEngine:Speak перебирает текстовые фрагменты, которые она получает
, и передает текстовые данные ISpVoice::Speak методу:

 STDMETHODIMP CTTSEngObj::Speak(DWORD dwSpeakFlags,
    REFGUID rguidFormatId,
    const WAVEFORMATEX* pWaveFormatEx,
    const SPVTEXTFRAG* pTextFragList,
    ISpTTSEngineSite* pOutputSite)
{
    // ...

    for (const SPVTEXTFRAG* textFrag = pTextFragList; textFrag != NULL; textFrag = textFrag->pNext)
    {

        // ...

        const std::wstringamp; text = textFrag->pTextStart;
        hr = m_cpVoice->Speak(text.substr(0, textFrag->ulTextLen).c_str(), dwSpeakFlags | SPF_ASYNC | SPF_PURGEBEFORESPEAK, 0);
 

Как упоминалось выше, звук не будет издаваться до тех пор, пока ISpTTSEngine:Speak
ВОЗВРАТ. Произвольное утверждение сна демонстрирует это наиболее ясно. Опрос
SpeakCompleteEvent дескриптора ISpVoice неизбежно заканчивается. Удаление
SPF_ASYNC флага из вызова ISpVoice::Speak
вызывает сбой вызывающего абонента.

Кто-нибудь может объяснить такое поведение? Или предложите изменение, которое позволило бы мне наблюдать за последующими речевыми запросами?

SAPI не ожидает, что его будут вводить рекурсивно. Рассмотрите возможность использования другого движка TTS (например, системы WinRT.Медиафайлы.API-интерфейсы SpeechSynthesis) для выполнения фактического синтеза. Текстовые фрагменты не будут иметь встроенной разметки, так что это не будет иметь большого значения.