试用PowerShell调用SAPI实现文字转语音

TTS（Text-To-Speech）这类技术，由于大概十年前受了一些熏陶，哪怕到现在都很在意。现在终于想玩一玩，暂且从Windows自带的SAPI 5入手吧。

环境

操作系统Win10 21H1，PowerShell版本为7.1（这其实意味着System.Speech.Synthesis.SpeechSynthesizer不能用，因为这个是.NET Framework专属的）。日文系统，不过另外安装了中国語（簡体字、中国）的音声認識。

参考资料

VBSでOneCoreの音声を使用する：尽管使用的是VBScript，不过调用SAPI.SpVoice这点倒是很符合需求。
C# Speech.Synthesis 在WIN10如何读出kangkang等其他语音：有关Kangkang这个语音的问题。官方一直都弄错了，只好我们自己手改。
XML TTS Tutorial SAPI 5.4：这个是SAPI的XML，是微软自己的仕样，并非共通的。
Chinese Phonemes (SAPI 5.4)：<pron>标签sym属性里可以用这些来表达语音。另外，<speak>标签中<phoneme>标签在alphabet属性为sapi时的ph属性里尽管看似也可以这么用，但实际上很多情况下语音干脆是错的，是错的啊！所以建议避免。

正文

准备工作

查阅了一些资料，发现语音有Speech和Speech_OneCore之分（参见参考资料1），个人希望利用后者。不过吧，这里我想用Kangkang语音，所以参照参考资料2，先用pwsh处理一下：

Test-Path -LiteralPath HKLM:\SOFTWARE\Microsoft\Speech_OneCore\Voices\Tokens\MSTTS_V110_zhCN_KangkangM
#-> True
Get-ChildItem -File C:\Windows\Speech_OneCore\Engines\TTS\zh-CN  -Filter *M2052Kangkang*
# -> 没有特别变动的话，应该能列出Kangkang的相关文件。当然知道它在就行了
Get-ItemPropertyValue -LiteralPath HKLM:\SOFTWARE\Microsoft\Speech_OneCore\Voices\Tokens\MSTTS_V110_zhCN_KangkangM -Name VoicePath
# -> 如果没有自己改动的话，我记得这里应该是Yaoyao。
# 那当然不对了，那么之后就把它改对咯
# === 以下请在管理员权限下操作 ===
Set-ItemProperty -LiteralPath HKLM:\SOFTWARE\Microsoft\Speech_OneCore\Voices\Tokens\MSTTS_V110_zhCN_KangkangM -Name VoicePath C:\Windows\Speech_OneCore\Engines\TTS\zh-CN\M2052Kangkang
# === 以上请在管理员权限下操作 ===

如此就可以使用Kangkang语音了。

简单使用

按照参考资料1去做就好，要注意的是我们是对COM对象操作。唉，至少先能出声：

$sp = New-Object -ComObject SAPI.SpVoice
$cat = New-Object -ComObject SAPI.SpObjectTokenCategory
# 想用Speech_OneCore所以指定一下：
$cat.SetId('HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Speech_OneCore\Voices', $false)
# 看一下现在能用什么
$cat.EnumerateTokens()
#-> 列出了当前可用的语音。注意一下KangkangM是哪一个，这边是索引8
# 那么把KangkangM指定上：
$sp.Voice = @($cat.EnumerateTokens())[8]
# 喋れるかな～？
[void] $sp.Speak('是不是前世欠下你的债，性生活快乐就要李凯')
# 喋ってた！

以上是很基础的用法。

其实经常我们希望细化操作，比如直接读出拼音之类。那么且往下看。

进阶使用

承上。

先展示能正常用的情况：

# 有首音击的歌叫 What color...
# 请注意，现在使用的xml标签是<sapi>
[void] $sp.Speak(@'
<sapi>
  <pron sym="sha 2 se 3"/>
</sapi>
'@, 8) # “啥色”，www

这样可以反映出一些官话方言跟普通话的声调差别。嘛，这边用胶辽官话和东北官话的情况比较多。

不建议用声调模拟方言的调值，如此一来至少语义很成问题。

很想要的一点是，儿化音啊，儿化音。实在弄不出来，但真的很想要。

（TBD）

音频文件输出