让Java说话！
为你的Java 1.3 应用程序和Applet添加说话能力
概要
这篇文章中，Tony Loton展示了不使用硬件和本地调用的，少于150行Java代码实现一个简单的语音引擎。此外，他提供了一个小zip文件，里面包含了使Java应用程序说话说需要的东西—仅仅用来娱乐或别的真正的应用程序。如果你刚刚接触Java Sound api，这篇文章将是一个很好的介绍。（1800字）
作者：Tony Loton
译者：Cocia Lin
为什么要使你的程序说话呢？首先，为了娱乐，这很适合象游戏这样的娱乐程序。并且还有很多严肃的应用领域。我想这虽然不是可视化界面的天生缺点，也是声音可用之处-- 或者过分一点 – 可以使你的眼睛离开你正在做的事情。
最近，我曾经应用一些技术在web上获得HTML和XML信息的工作[请看 "Access the World's Biggest Database with Web DataBase Connectivity" (JavaWorld, March 2001)]。这让我将那个工作和我的这个想法结合来创建一个说话的Web浏览器。这样的一个浏览器可以使你听到你喜欢的网站上的信息摘录 – 新闻标题，例如 – 就象在外边溜狗或开车上班的途中收听收音机一样。当然，以现在的科技水平，你必须带上你的笔记本电脑和移动电话，但这些不切实际的设想在不久的将来，随着应用Java技术的智能电话的出现而变成现实，例如Nokia 9210（在美国叫9290）.
也许对现在来说，能用的到的是一个eMail朗读器，这也得谢谢JavaMail API.这样的程序将定期的检查你的电子邮箱，并且你的注意被一个声音“你有新的email,你要我给你朗读吗？”吸引。相近的，考虑语音提醒 – 当连接到你的日常管理程序时 –- 电脑大喊“不要忘了10分钟后你和老板的会议！”
回到这些想法，或者你有更好的自己的想法，我们继续。我将演示怎样将我提供的zip文件添加的我们的工作中，这样，如果你觉得这些东西太难了，你就可以直接安装运行而跳过实现细节。
测试语音引擎
为了使用这个语音引擎，你需要将jw-0817-javatalk.zip添加到你的classpath，在命令行方式或Java程序中使用com.lotontech.speech.Talker。
命令行方式，象下面这样运行，输入：
java com.lotontech.speech.Talker "h|e|l|oo"
在Java程序中，简单的包含着两行代码：
com.lotontech.speech.Talker talker=new com.lotontech.speech.Talker();
talker.sayPhoneword("h|e|l|oo");
这里，你可能想知道命令行方式或sayPhoneWord(..)方法中的字符串格式”h|e|l|oo”的含义。让我来解释。
语音引擎依靠联结人的最小的语音单位的短声音例子来工作 – 在这里是英语。这些声音例子，叫做音体变位（allophone），是一个，两个，或三个字母标识符的标志。有些标识符是明显的，有些是不明显的，你能从语音学里看到这样的”hello”的表示。
h --发音你能想到
e --发音你能想到
l --发音你能想到,但注意，我将两个 “l” 变为一个”l”
oo -- “hello”的发音，不是”bot”的，也不是”too”的
这里列出了能用到的音体变（allophone）：
a -- 例如 cat
b -- 例如 cab
c -- 例如 cat
d -- 例如 dot
e -- 例如 bet
f -- 例如 frog
g -- 例如 frog
h -- 例如 hog
i -- 例如 pig
j -- 例如 jig
k -- 例如 keg
l -- 例如 leg
m -- 例如 met
n -- 例如 begin
o -- 例如 not
p -- 例如 pot
r -- 例如 rot
s -- 例如 sat
t -- 例如 sat
u -- 例如 put
v -- 例如 have
w -- 例如 wet
y -- 例如 yet
z -- 例如 zoo
aa -- 例如 fake
ay -- 例如 hay
ee -- 例如 bee
ii -- 例如 high
oo -- 例如 go
bb -- 变调b
dd --变调d
ggg -- 变调g
hh --变调h
ll --变调l
nn --变调n
rr -- 变调r
tt -- 变调t
yy --变调y
ar -- 例如 car
aer -- 例如 care
ch -- 例如 which
ck -- 例如 check
ear -- 例如 beer
er -- 例如 later
err -- 例如 later (longer sound)
ng -- 例如 feeding
or -- 例如 law
ou -- 例如 zoo
ouu -- 例如 zoo (longer sound)
ow -- 例如 cow
oy -- 例如 boy
sh -- 例如 shut
th -- 例如 thing
dth -- 例如 this
uh -- 变调 u
wh -- 例如 where
zh -- 例如 Asian
人说话的每一个句子都有单词的升调和降调的变化。这个音调使说话听起来自然，富有感情，并且可以从句子语调确定这是疑问句。如果你听过Stephen Hawking的人造声音，你就能够理解我所说的了。考虑这两个句子：
It is fake -- f|aa|k
Is it fake? -- f|AA|k
你也许猜想，使用升调的方法是用大写字母。你要实际感受一下，我的提示是你要注意听元音字母
这是你使用这个软件需要知道的全部了，但是如果你对引擎罩下面的东西感兴趣，那么继续往下读。
实现语音引擎
语音引擎仅仅需要一个类来实现，包含四个方法。它使用j2se1.3的Java Sound API。我不想提供一个全面的Java Sound API教程，你将通过例子学习。你将发现不是有很多需要你来做，并且说明能告诉你需要知道的。
这里是Talker类的基本定义：
package com.lotontech.speech;
import javax.sound.sampled.*;
import java.io.*;
import java.util.*;
import java.NET.*;
public class Talker
{
private sourceDataLine line=null;
}
如果你从命令行运行程序，下面的main(..)方法将作为一个入口服务。它取得命令行的第一个参数，如果有一个参数，将传递给sayPhoneWord(…)方法：
/*
*这个方法在命令行对一个指定的单词发音
*/
public static void main(String args[])
{
Talker player=new Talker();
if (args.length>0) player.sayPhoneWord(args[0]);
System.exit(0);
}
上面，SayPhoneWord(…)方法被main(…)方法调用，或者它被Java程序或Applet直接调用。它看起来比它本身难理解。本质上，它简单的一步一步解释单词的语音变位allophone – 被”|”标志分割的输入文本 – 在把他们一个一个通过声音输出通道输出。为了让它听起来更自然，合并每一个声音的结尾到下一个声音的开头：
/*
*这个方法使输入的单词发音
*/
public void sayPhoneWord(String word)
{
// 为上一个声音设置一个字节数组
byte[] previousSound=null;
//分割输入字符串
StringTokenizer st=new StringTokenizer(word,"|",false);
while (st.hasMoreTokens())
{
为语音单位构造一个文件名
String thisPhoneFile=st.nextToken();
thisPhoneFile="/allophones/"+thisPhoneFile+".au";
从文件中获得数据
byte[] thisSound=getSound(thisPhoneFile);
目前创新互联建站已为上千家的企业提供了网站建设、域名、虚拟主机、网站运营、企业网站设计、长安网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。
if (previousSound!=null)
{
合并上一个语音和现在的这个
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);
}
播放前一个音符
playSound(previousSound);
切割当前的音符作为前一个音符
byte[] newSound=new byte[thisSound.length-mergeCount];
for (int ii=0; ii
previousSound=newSound;
}
else
previousSound=thisSound;
}
//播放最终声音和刷新声音通道
playSound(previousSound);
drain();
}
在sayPhoneWord()结尾，你看到它调用playSound(..)来输出单独的声音例子，并且调用drain(..)来刷新声音通道。这里是playSound(..)的代码：
/*
*播放一个声音
*/
private void playSound(byte[] data)
{
if (data.length>0) line.write(data, 0, data.length);
}
drain(..)的代码：
/*
*刷新声音通道
*/
private void drain()
{
if (line!=null) line.drain();
try {Thread.sleep(100);} catch (Exception e) {}
}
现在，如果你回头看看sayPhoneWord(..)方法，你将发现还有一个方法我们还没有提到：getSound(..).
getSound(..)从事先录制好的au文件中读出声音的字节数据。当我说文件时，指的是我提供的zip文件里的资源。我强调这点差别，因为你得到JAR资源控制 – 使用getResource(..)方法 – 这不同于得到一个普通文件的控制权。
为了有一个语音一个语音的读出数据，转换到声音格式，实例化一个声音输出行（为什么他们叫它SourceDateLine,我不知道），组合这些字节数据，我在下面代码中提供给你说明：
/*
*这个方法从文件中读出单独的语音并且构造一个字节矢量
*/
private byte[] getSound(String fileName)
{
try
{
URL url=Talker.class.getResource(fileName);
AudioInputStream stream = AudioSystem.getAudioInputStream(url);
AudioFormat format = stream.getFormat();
转换一个ALAW/ULAW声音到PCM
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;
}
DataLine.Info info = new DataLine.Info(
Clip.class,
format,
((int) stream.getFrameLength() * format.getFrameSize()));
if (line==null)
{
// -- Output line not instantiated yet –
// -- Can we find a suitable kind of line? --
DataLine.Info outInfo = new DataLine.Info(SourceDataLine.class,
format);
if (!AudioSystem.isLineSupported(outInfo))
{
System.out.println("Line matching " + outInfo + " not supported.");
throw new Exception("Line matching " + outInfo + " not supported.");
}
打开资源数据行（输出行output line）
line = (SourceDataLine) AudioSystem.getLine(outInfo);
line.open(format, 50000);
line.start();
}
//一些尺寸计算
int frameSizeInBytes = format.getFrameSize();
int bufferLengthInFrames = line.getBufferSize() / 8;
int bufferLengthInBytes = bufferLengthInFrames * frameSizeInBytes;
byte[] data=new byte[bufferLengthInBytes];
//读出数据字节并计算
int numBytesRead = 0;
if ((numBytesRead = stream.read(data)) != -1)
{
int numBytesRemaining = numBytesRead;
}
//裁剪字节数组到正确尺寸
byte[] newData=new byte[numBytesRead];
for (int i=0; i
return newData;
}
catch (Exception e)
{
return new byte[0];
}
}
好了，就这么多。一个150行的语音合成器代码，包括说明。但这没有完全结束。
文本到语音（Text-to-speech）的转换
用语音学方法表示单词可能太乏味，所以，如果你想创建一个象我介绍一样的应用程序，你要提供原始文本。
研究过这个题目后，我在zip文件中提供一个实验性的文本到语音的转换类。当你运行它后，将输出给你你想要的语音表示。
在命令行模式，运行text-to-speech转换器：
java com.lotontech.speech.Converter "hello there"
你看到的输出类似下面这样：
hello -> h|e|l|oo
there -> dth|aer
或者，象这样运行它：
java com.lotontech.speech.Converter "I like to read JavaWorld"
看到（并且听到）这些：
i -> ii
like -> l|ii|k
to -> t|ouu
read -> r|ee|a|d
java -> j|a|v|a
world -> w|err|l|d
如果你想知道它是怎样工作的，我将告诉你我的方法很简单，应用通常的顺序的一套文本替换规则。有几个例子规则，你可能喜欢应用精神上的，顺序的方式，这些例子是”ant”,”want”,”wanted”,”unwanted”,”unique”:
替换 "*unique*"使用 "|y|ou|n|ee|k|"
替换"*want*"使用"|w|o|n|t|"
替换"*a*"使用"|a|"
替换"*e*"使用"|e|"
替换"*d*"使用"|d|"
替换"*n*" 使用"|n|"
替换"*u*"使用"|u|"
替换"*t*" 使用"|t|"
”unwanted”的顺序将是这样：
unwanted
un[|w|o|n|t|]ed (rule 2)
[|u|][|n|][|w|o|n|t|][|e|][|d|] (rules 4, 5, 6, 7)
u|n|w|o|n|t|e|d (with surplus characters removed)
你应该看到，包含ant的want被用几种不同的方式朗读。你也应该看到对于unique来说的特殊情况，应该被读为y|ou..而不是u|n….
电脑里的精灵，对你说话
这篇文章提供一个可以使用Java 1.3运行的简便的语音引擎。如果你研究这些代码，你可以得到一些关于JavaSound API播放音频片断的有用方法。要想使这个引擎真的能用，你要思考文本到语音的转换方法，这真的是我的一个主要想法。在这个引擎中，你要想出大量的文本转换规则，还要应用一些好的优先顺序。我希望你有比我强的毅力。
最后，你可能还记得我说过的Nokia 9210。我有一部，它支持Java,我决定用Java使它说话。我也想使applet(Java2的以前版本)在浏览器中说话。这些技术依靠J2SE 1.3声音引擎，现在是可用的。一个不同的方法是需要的，依靠简单的Java AudioClip 接口。不像你想象的那样简单，但我在其上工作。
