Microsoft Speech API

Speech Application Programming Interface (SAPI) — интерфейс программирования приложений, основанный на технологии COM, предназначенный для распознавания и синтеза речи.

Распознавание речи

Распознавание речи — процесс преобразования произнесённых слов в печатный текст. Распознавание речи включает в себя:

захват и оцифровку звука, произнесённого в микрофон;
преобразование оцифрованного звука в фонемы;
конструирование из фонем слов;
анализ контекста, в котором было произнесено слово, и, при необходимости, замена слов на похожие по звучанию.

Распознающая программа (движок распознавания текста) итерационно сравнивает распознанный текст с правилами грамматики приложения и при совпадении текста с серией правил формирует выходной поток XML с использованием языка разметки семантики (англ. Semantic Markup Language, SML). Выходной поток содержит распознанный текст, значения вероятностей правильного распознания и может содержать семантические значения, присвоенные при помощи разметки интерпретации семантики. Распознанный текст обычно используется для ввода данных при помощи диктовки и для управления приложениями при помощи речевых команд.

Размер правил грамматики ограничивает возможности распознавания текста. Большинство программ, поддерживающих диктовку, для обеспечения наиболее точного распознавания настраиваются на речевые обороты конкретного пользователя. Режим управления речевыми командами более прост для реализации, поскольку содержание правил грамматики ограничено имеющимися командами^[1].

Синтез речи

Синтез речи — процесс преобразования текста в произносимые слова. Синтез речи включает в себя:

разделение слов на фонемы;
нахождение текста, требующего преобразование в символы, такого как числа, количество валюты и пунктуация;
генерация цифрового звука для воспроизведения.

Движки преобразования текста в речь могут использовать один из двух способов синтеза голоса:

генерировать звуки, подобные издаваемым голосовыми связками и использовать различные фильтры для моделирования длины горла, форму ротовой полости, расположение губ и языка;
собирать его из многочисленных кусков речи, записанных диктором.

Примечания

↑ Томашенко Н. А., Хохлов Ю. Ю.//ИССЛЕДОВАНИЕ ПРОБЛЕМЫ СБАЛАНСИРОВАННОСТИ ДАННЫХ ПРИ ПОСТРОЕНИИ АКУСТИЧЕСКИХ МОДЕЛЕЙ СИСТЕМ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ РЕЧИ Архивная копия от 19 сентября 2015 на Wayback Machine. - Статья. - Приборостроение. - УДК 004.934

Ссылки

Introducing Computer Speech Technology (англ.). MSDN Library. Microsoft (2012). Дата обращения: 24 июля 2012. Архивировано из оригинала 29 сентября 2012 года.

[1] Томашенко Н. А., Хохлов Ю. Ю.//ИССЛЕДОВАНИЕ ПРОБЛЕМЫ СБАЛАНСИРОВАННОСТИ ДАННЫХ ПРИ ПОСТРОЕНИИ АКУСТИЧЕСКИХ МОДЕЛЕЙ СИСТЕМ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ РЕЧИ Архивная копия от 19 сентября 2015 на Wayback Machine. - Статья. - Приборостроение. - УДК 004.934

[1]

Синтез речи
Проприетарное ПО	Alter/Ego BrowseAloud Cantor CereProc CeVIO Creative Studio CoolSpeech Chipspeech DECtalk IVONA LaLaVoice Microsoft Agent Microsoft Speech API Microsoft text-to-speech voices PPG Phonem Readspeaker Realivox Software Automatic Mouth Symphonic Choirs Synthesizer V Talk It! Utau Voice browser Vocaloid Voiceroid
Свободное ПО	eSpeak Gnuspeech Festival Speech Synthesis System FreeTTS Gnopernicus Orca Sinsy Automatik Text Reader
Машина	Echo 2 Pattern playback Phasor RIAS Texas Instruments LPC Speech Chips TuVox
Приложения	AOLbyPhone DialogOS Dr. Sbaitso MBROLA Microsoft Narrator Microsoft Speech Server PlainTalk Voice font
Протоколы	Speech Synthesis Markup Language
Разработчики/ Исследователи	Catherine Browman Franklin Seaney Cooper Гуннар Фант Haskins Laboratories Вольфганг фон Кемпелен Ignatius Mattingly Philip Rubin VoiceWeb VoiceXML Yamaha
Процесс	Articulatory synthesis Concatenative synthesis Currah Inverse filter PSOLA Phase vocoder SABLE Self-voicing