text – 要合成的文字内容，字符串
lang – 使用的语言，字符串， 例如：“zh-cn”
voiceURI – 指定希望使用的声音和服务，字符串
volume – 声音的音量，区间范围是0到1，默认是1
rate – 语速，数值，默认值是1，范围是0.1到10，表示语速的倍数，例如2表示正常语速的两倍。
pitch – 表示说话的音高，数值，范围从0（最小）到2（最大）。默认值为1
SpeechSynthesis.paused 只读
当 SpeechSynthesis 处于暂停状态时， Boolean 值返回 true 。
SpeechSynthesis.pending 只读
当语音播放队列到目前为止保持没有说完的语音时， Boolean 值返回 true 。
SpeechSynthesis.speaking 只读
当语音谈话正在进行的时候，即使 SpeechSynthesis 处于暂停状态， Boolean 返回 true 。
为应用程序加上语音能力有什么好处呢？粗略地讲，是为了趣味，它适合所有注重趣味的应用，比如游戏。当然，从更严肃的角度来讲，它还涉及到应用的可用性问题。注意，这里我考虑的不仅是可视化界面固有的不足，而且还有这样一些情形：一些时候，让双眼离开当前的工作很不方便，甚至是不合法的。比如，假设有一个带语音功能的浏览器，你就可以在外出散步或开车上班的同时，用听的方式浏览自己喜爱的网站。从目前来看，邮件阅读器或许是语音技术更实际的应用，在JavaMail API的帮助下，这一切已经可能。邮件阅读器可以定期地检查收件箱，然后用语音“You have new mail, would you like me to read it to you?”引起你的注意。按照类似的思路，我们还可以考虑一个带语音功能的提醒器，把它连接到一个日历应用：它会及时地提醒你“Don't forget your meeting with the boss in 10 minutes!”。 也许你已经被这些主意吸引，或者有了自己更好的主意，现在让我们继续。首先我将介绍如何启用本文提供的语音引擎，这样，如果你认为语音引擎的实现细节过于复杂，就可以直接使用它而忽略其实现细节。一、试用语音引擎 要使用这个语音引擎，你必须在CLASSPATH中加入本文提供的javatalk.jar文件，然后从命令行运行（或者从Java程序调用）com.lotontech.speech.Talker类。如果从命令行运行，则命令为： java com.lotontech.speech.Talker "h|e|l|oo" 如果从Java程序调用，则代码为： com.lotontech.speech.Talker talker=new com.lotontech.speech.Talker()talker.sayPhoneWord("h|e|l|oo")现在，对于在命令行上（或者调用sayPhoneWord()方法时）提供的“h|e|l|oo”字符串，你或许有所不解。下面我就来解释一下。 语音引擎的工作原理是把细小的声音样本连接起来，每一个样本都是人的语言发音（英语）的一个最小单位。这些声音样本称为音素（allophone）。每一个因素对应一个、二个或者三个字母。从前面“hello”的语音表示可以看出，一些字母组合的发音显而易见，还有一些却不是很明显： h -- 读音显而易见 e -- 读音显而易见 l -- 读音显而易见，但注意两个“l”被简缩成了一个“l”。 OO -- 应该读作“hello”中的读音，不应读作“bot”、“too”中的读音。 下面是一个有效音素的清单： a ： 如cat b ： 如cab c ： 如cat d ： 如dot e ： 如bet f ： 如frog g ： 如frog h ： 如hog i ： 如pig j ： 如jig k ： 如keg l ： 如leg m ： 如met n ： 如begin o ： 如not p ： 如pot r ： 如rot s ： 如sat t ： 如sat u ： 如put v ： 如have w ： 如wet y ： 如yet z ： 如zoo aa ： 如fake ay ： 如hay ee ： 如bee ii ： 如high oo ： 如go bb ： b的变化形式，重音不同 dd ： d的变化形式，重音不同 ggg ： g的变化形式，重音不同 hh ： h的变化形式，重音不同 ll ： l的变化形式，重音不同 nn ： n的变化形式，重音不同 rr ： r的变化形式，重音不同 tt ： t的变化形式，重音不同 yy ： y的变化形式，重音不同 ar ： 如car aer ： 如care ch ： 如which ck ： 如check ear ： 如beer er ： 如later err ： 如later (长音) ng ： 如feeding or ： 如law ou ： 如zoo ouu ： 如zoo (长音) ow ： 如cow oy ： 如boy sh ： 如shut th ： 如thing dth ： 如this uh ： u 的变化形式 wh ： 如where zh ： 如Asian 人说话的时候，语音在整个句子之内起落变化。语调变化使得语音更自然、更富有感染力，使得问句和陈述句能够相互区别。请考虑下面两个句子： It is fake -- f|aa|k Is it fake? -- f|AA|k 也许你已经猜想到，提高语调的方法是使用大写字母。 以上就是使用该软件时你需要了解的东西。如果你对其后台实现细节感兴趣，请继续阅读。
二、实现语音引擎 语音引擎的实现只包括一个类，四个方法。它利用了J2SE 1.3包含的Java Sound API。在这里，我不准备全面地介绍这个API，但你可以通过实例学习它的用法。Java Sound API并不是一个特别复杂的API，代码中的注释将告诉你必须了解的知识。 下面是Talker类的基本定义： package com.lotontech.speechimport javax.sound.sampled.*import java.io.*import java.util.*import java.net.*public class Talker { private SourceDataLine line=null} 如果从命令行执行Talker，下面的main()方法将作为入口点运行。main()方法获取第一个命令行参数，然后把它传递给sayPhoneWord()方法： /* * 读出在命令行中指定的表示读音的字符串 */ public static void main(String args[]) { Talker player=new Talker()if (args.length>0) player.sayPhoneWord(args[0])System.exit(0)}
sayPhoneWord()方法既可以通过上面的main()方法调用，也可以在Java程序中直接调用。从表面上看，sayPhoneWord()方法比较复杂，其实并非如此。实际上，它简单地遍历所有单词的语音元素（在输入字符串中语音元素以“|”分隔），通过一个声音输出通道一个元素一个元素地播放出来。为了让声音更自然一些，我把每一个声音样本的结尾和下一个声音样本的开头合并了起来： /* * 读出指定的语音字符串 */ public void sayPhoneWord(String word) { // 为上一个声音构造的模拟byte数组 byte[] previousSound=null// 把输入字符串分割成单独的音素 StringTokenizer st=new StringTokenizer(word,"|",false)while (st.hasMoreTokens()) { // 为音素构造相应的文件名字 String thisPhoneFile=st.nextToken()thisPhoneFile="/allophones/"+thisPhoneFile+".au"// 从声音文件读取数据 byte[] thisSound=getSound(thisPhoneFile)if (previousSound!=null) { // 如果可能的话，把前一个音素和当前音素合并 int mergeCount=0if (previousSound.length>=500 &&thisSound.length>=500) mergeCount=500for (int i=0i { previousSound[previousSound.length-mergeCount+i] =(byte)((previousSound[previousSound.length -mergeCount+i]+thisSound[i])/2)} // 播放前一个音素 playSound(previousSound)// 把经过截短的当前音素作为前一个音素 byte[] newSound=new byte[thisSound.length-mergeCount]for (int ii=0ii newSound[ii]=thisSound[ii+mergeCount]previousSound=newSound} else previousSound=thisSound} // 播放最后一个音素，清理声音通道 playSound(previousSound)drain()} 在sayPhoneWord()的后面，你可以看到它调用playSound()输出单个声音样本（即一个音素），然后调用drain()清理声音通道。下面是playSound()的代码： /* * 该方法播放一个声音样本 */ private void playSound(byte[] data) { if (data.length>0) line.write(data, 0, data.length)} 下面是drain()的代码： /* * 该方法清理声音通道 */ private void drain() { if (line!=null) line.drain()try {Thread.sleep(100)} catch (Exception e) {} }
现在回过头来看sayPhoneWord()，这里还有一个方法我们没有分析，即getSound()方法。 getSound()方法从一个au文件以字节数据的形式读入预先录制的声音样本。要了解读取数据、转换音频格式、初始化声音输出行（SouceDataLine）以及构造字节数据的详细过程，请参考下面代码中的注释： /* * 该方法从文件读取一个音素， * 并把它转换成byte数组 */ private byte[] getSound(String fileName) { try { URL url=Talker.class.getResource(fileName)AudioInputStream stream = AudioSystem.getAudioInputStream(url)AudioFormat format = stream.getFormat()// 把一个ALAW/ULAW声音转换成PCM以便回放 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) { // 输出线还没有实例化 // 是否能够找到合适的输出线类型？ DataLine.Info outInfo = new DataLine.Info(SourceDataLine.class, format)if (!AudioSystem.isLineSupported(outInfo)) { System.out.println("不支持匹配" + outInfo + "的输出线")throw new Exception("不支持匹配" + outInfo + "的输出线")} // 打开输出线 line = (SourceDataLine) AudioSystem.getLine(outInfo)line.open(format, 50000)line.start()} int frameSizeInBytes = format.getFrameSize()int bufferLengthInFrames = line.getBufferSize() / 8int bufferLengthInBytes = bufferLengthInFrames * frameSizeInBytesbyte[] data=new byte[bufferLengthInBytes]// 读取字节数据，并计数 int numBytesRead = 0if ((numBytesRead = stream.read(data)) != -1) { int numBytesRemaining = numBytesRead} // 把字节数据切割成合适的大小 byte[] newData=new byte[numBytesRead]for (int i=0i newData[i]=data[i]return newData} catch (Exception e) { return new byte[0]} } 这就是全部的代码，包括注释在内，一个大约150行代码的语音合成器。
三、文本-语音转换 以语音元素的格式指定待朗读的单词似乎过于复杂，如果要构造一个能够朗读文本（比如Web页面或Email）的应用，我们希望能够直接指定原始的文本。 深入分析这个问题之后，我在本文后面的ZIP文件中提供了一个试验性的文本-语音转换类。运行这个类，它将显示出分析结果。文本-语音转换类可以从命令行执行，如下所示： java com.lotontech.speech.Converter "hello there" 输出结果类如： hello ->h|e|l|oo there ->dth|aer 如果运行下面这个命令： java com.lotontech.speech.Converter "I like to read JavaWorld" 则输出结果为： i ->ii like ->l|ii|k to ->t|ouu read ->r|ee|a|d java ->j|a|v|a world ->w|err|l|d 这个转换类是如何工作的呢？实际上，我的方法相当简单，转换过程就是以一定的次序应用一组文本替换规则。例如对于单词“ant”、“want”、“wanted”、“unwanted”和“unique”，则我们想要应用的替换规则可能依次为： 用“|y|ou|n|ee|k|”替换“*unique*” 用“|w|o|n|t|”替换“*want*” 用“|a|”替换“*a*” 用“|e|”替换“*e*” 用“|d|”替换“*d*” 用“|n|”替换“*n*” 用“|u|”替换“*u*” 用“|t|”替换“*t*” 对于“unwanted”，输出序列为： unwanted un[|w|o|n|t|]ed (规则2) [|u|][|n|][|w|o|n|t|][|e|][|d|] (规则4、5、6、7) u|n|w|o|n|t|e|d (删除多余的符之后) 你将看到包含字母“wont”的单词和包含字母“ant”的单词以不同的方式发音，还将看到在特例规则的作用下，“unique”作为一个完整单词优先于其他规则，从而“unique”这个单词读作“y|ou...”而不是“u|n...”。
你可以看一下科大讯飞的官网。注册之后下载sdk，sdk里面有自带的demo。不过这个是调用别人的类和方法，它可以实现文字到音频的转换，但是具体的转换方法是看不到的，如果你想自己写一个tts那我就无能为力了。
