可以使用SpeechToText（语音识别）和之后的TextToSpeech（使用相同的文本和相同的语音）吗？

Question

我正在为聋哑人制作一个节目。我正在使用sapi和TTs。该程序同时用手做3D动画。但问题是，声音（也就是说，当它们放在最慢的语音时）是为了我想要的速度。所以，我考虑过语音识别，但问题是我要在动画开始之前对文本做一个大的过程。

所以，我想知道是否可以进行语音识别（来自我在.wave文件中的声音），之后做同样的TT过程（使用Sapi事件......）但是使用.wave与我的声音。

如果它可行，请告诉我如何。如果您认为有更好的选择，请让我看看它们。

感谢您的时间（并原谅我的英语）

Jesuskiewicz

Answer 1

既然我明白了你想要发生什么，我可以说，就我所知，SAPI SR引擎并没有真正提供与传入文本同步的音素级标记。

你可以尝试（虽然我没有真正的期望这个工作）将采取音频，通过发音语法运行生成音素，然后采取文本元素找到相应的音频位。

当我说'发音语法'时，我的意思是加载发音模型的听写语法 - 设置如下：

CComPtr<ISpRecoGrammar> cpGrammar;
... initialize SR engine and create a grammar ...
cpGrammar->LoadDictation(L"Pronunciation", SPLO_STATIC);

在识别处理程序中，您需要解析元素：

ISpRecoResult* ipReco;
SPPHRASE* pPhrase;
ipReco->GetPhrase(&pPhrase);
for (int i = 0; i < pPhrase->Rule.ulCountOfElements; ++i)
{
    const SPPHRASEELEMENT * pElem = pPhrase->pElements + i;
    // examine pElem->ulAudioSizeTime, etc.
}
::CoTaskMemFree(pPhrase);

我希望这足以让你开始......