用於「文本到語音」和「語音到文本」的C++ API

Question

我想知道在C++中是否有用於「語音識別」和「文本到語音」的良好API。我已經通過Festival，你甚至不能說計算機是否在說話，因爲它是如此真實，並且也是voce。

不幸的是Festival似乎不支持語音識別（我的意思是「語音到文本」），並且voce是在Java中構建的，由於JNI，它在C++中是一團糟。

API應該支持「文本到語音」和「語音到文本」，它應該有一套很好的例子，至少在所有者的網站之外。如果它有一套設備來識別給定的聲音集合，但這是可選的，那麼完美無缺，所以不用擔心。

我打算用API做的事情是，當給定語音命令時，將機器人設備左右轉動，並且還對我說「早安」，「晚安」等。這些單詞將在程序中編碼。

請幫我找到一個好的C++語音API用於此目的。如果您有權訪問教程/安裝教程，請及時與我分享。

Answer 1

如果您在Windows上開發，則可以使用MS Speech API，它們允許您執行語音識別（ASR）和文本到語音轉換（TTS）。
您可以在this page上找到一些示例，以及this post中的一個非常基本的語音識別示例。

Answer 2

如果您在機器人中有互聯網連接並且願意爲服務付費，您理論上可以使用Twilio。他們有很多不同的語言庫和示例和平臺http://www.twilio.com/docs/libraries

此外，檢查出這個博客解釋瞭如何構建和控制使用Twilio http://www.twilio.com/blog/2012/06/build-a-phone-controlled-robot-using-node-js-arduino-rn-xv-wifly-arduinoand-twilio.html

Answer 3

我發現，如果我做一個音頻記錄一個Arduino基於機器人（我用這個qtmultimedia）必須後手 Read more here

那麼我可以上傳到Google，然後把它送我回去一些JSON
然後我寫了一些C++/QT這使成QML插件 這是（alpha）代碼。請注意，請確保將您的FLAC FILE.flac> 替換爲您真實的FLAC文件。

speechrecognition.cpp

#include <QNetworkReply> 
#include <QNetworkRequest> 
#include <QSslSocket> 
#include <QUrl> 
#include <QJsonDocument> 
#include <QJsonArray> 
#include <QJsonObject> 
#include "speechrecognition.h" 
#include <QFile> 
#include <QDebug> 
const char* SpeechRecognition::kContentType = "audio/x-flac; rate=8000"; 
const char* SpeechRecognition::kUrl = "http://www.google.com/speech-api/v1/recognize?xjerr=1&client=directions&lang=en"; 

SpeechRecognition::SpeechRecognition(QObject* parent) 
    : QObject(parent) 
{ 
    network_ = new QNetworkAccessManager(this); 
    connect(network_, SIGNAL(finished(QNetworkReply*)), 
      this, SLOT(replyFinished(QNetworkReply*))); 
} 

void SpeechRecognition::start(){ 
    const QUrl url(kUrl); 
    QNetworkRequest req(url); 
    req.setHeader(QNetworkRequest::ContentTypeHeader, kContentType); 
    req.setAttribute(QNetworkRequest::DoNotBufferUploadDataAttribute, false); 
    req.setAttribute(QNetworkRequest::CacheLoadControlAttribute, 
        QNetworkRequest::AlwaysNetwork); 
    QFile *compressedFile = new QFile("<YOUR FLAC FILE.flac>"); 
    compressedFile->open(QIODevice::ReadOnly); 
    reply_ = network_->post(req, compressedFile); 
} 

void SpeechRecognition::replyFinished(QNetworkReply* reply) { 

    Result result = Result_ErrorNetwork; 
    Hypotheses hypotheses; 

    if (reply->error() != QNetworkReply::NoError) { 
    qDebug() << "ERROR \n" << reply->errorString(); 
    } else { 
     qDebug() << "Running ParserResponse for \n" << reply << result; 
     ParseResponse(reply, &result, &hypotheses); 
    } 
    emit Finished(result, hypotheses); 
    reply_->deleteLater(); 
    reply_ = NULL; 
} 

void SpeechRecognition::ParseResponse(QIODevice* reply, Result* result, 
             Hypotheses* hypotheses) 
{ 
QString getReplay ; 
getReplay = reply->readAll(); 
qDebug() << "The Replay " << getReplay; 
QJsonDocument jsonDoc = QJsonDocument::fromJson(getReplay.toUtf8()); 
    QVariantMap data = jsonDoc.toVariant().toMap(); 

    const int status = data.value("status", Result_ErrorNetwork).toInt(); 
    *result = static_cast<Result>(status); 

    if (status != Result_Success) 
    return; 

    QVariantList list = data.value("hypotheses", QVariantList()).toList(); 
    foreach (const QVariant& variant, list) { 
    QVariantMap map = variant.toMap(); 

    if (!map.contains("utterance") || !map.contains("confidence")) 
     continue; 

    Hypothesis hypothesis; 
    hypothesis.utterance = map.value("utterance", QString()).toString(); 
    hypothesis.confidence = map.value("confidence", 0.0).toReal(); 
    *hypotheses << hypothesis; 
    qDebug() << "confidence = " << hypothesis.confidence << "\n Your Results = "<< hypothesis.utterance; 
    setResults(hypothesis.utterance); 
} 
} 

    void SpeechRecognition::setResults(const QString &results) 
{ 
    if(m_results == results) 
    return; 
     m_results = results; 
    emit resultsChanged(); 
} 

QString SpeechRecognition::results()const 
{ 
    return m_results; 
} 

speechrecognition.h

#ifndef SPEECHRECOGNITION_H 
#define SPEECHRECOGNITION_H 

#include <QObject> 
#include <QList> 

class QIODevice; 
class QNetworkAccessManager; 
class QNetworkReply; 
class SpeechRecognition : public QObject { 
    Q_OBJECT 
    Q_PROPERTY(QString results READ results NOTIFY resultsChanged) 

public: 
    SpeechRecognition(QObject* parent = 0); 
    static const char* kUrl; 
    static const char* kContentType; 

    struct Hypothesis { 
    QString utterance; 
    qreal confidence; 
    }; 
    typedef QList<Hypothesis> Hypotheses; 

    // This enumeration follows the values described here: 
    // http://www.w3.org/2005/Incubator/htmlspeech/2010/10/google-api-draft.html#speech-input-error 
    enum Result { 
    Result_Success = 0, 
    Result_ErrorAborted, 
    Result_ErrorAudio, 
    Result_ErrorNetwork, 
    Result_NoSpeech, 
    Result_NoMatch, 
    Result_BadGrammar 
    }; 
    Q_INVOKABLE void start(); 
    void Cancel(); 
    QString results()const; 
    void setResults(const QString &results); 

signals: 
    void Finished(Result result, const Hypotheses& hypotheses); 
    void resultsChanged(); 

private slots: 
    void replyFinished(QNetworkReply* reply); 

private: 
    void ParseResponse(QIODevice* reply, Result* result, Hypotheses* hypotheses); 

private: 
    QNetworkAccessManager* network_; 
    QNetworkReply* reply_; 
    QByteArray buffered_raw_data_; 
    int num_samples_recorded_; 
    QString m_results; 
}; 

#endif // SPEECHRECOGNITION_H