基于語(yǔ)音識(shí)別的聲控鼠標(biāo)的設(shè)計(jì)方法

　摘要： 實(shí)現(xiàn)了一種基于語(yǔ)音識(shí)別技術(shù)的聲控鼠標(biāo)光標(biāo)應(yīng)用程序， 可以用語(yǔ)音控制鼠標(biāo)光標(biāo)移動(dòng)到屏幕的任意位置， 能用來(lái)幫助傷殘人士只用聲音而不用鼠標(biāo)和鍵盤就能操作電腦。分析了語(yǔ)音控制鼠標(biāo)光標(biāo)使用過(guò)程中的延時(shí)缺陷， 并做出了針對(duì)性的改進(jìn)。

　　1 概述

　　電腦語(yǔ)音技術(shù)經(jīng)過(guò)多年發(fā)展已經(jīng)取得了巨大進(jìn)步， 目前已經(jīng)有一些產(chǎn)品和項(xiàng)目讓人們有機(jī)會(huì)和計(jì)算機(jī)進(jìn)行語(yǔ)音交互工作， 例如IBM公司的Viavoice 系列軟件以及微軟的新的Office 產(chǎn)品都有實(shí)用的語(yǔ)音功能， 可以進(jìn)行語(yǔ)音聽(tīng)寫錄入文字等工作， 還出現(xiàn)了一些基于語(yǔ)音技術(shù)的應(yīng)用系統(tǒng)。

　　語(yǔ)音技術(shù)特別是語(yǔ)音識(shí)別技術(shù)的發(fā)展， 使人們可能實(shí)現(xiàn)用語(yǔ)音控制電腦， 這對(duì)于世界上眾多不能方便使用傳統(tǒng)的鼠標(biāo)及鍵盤的傷殘人士有重大的意義； 另外在一些場(chǎng)合不方便操作電腦但又必須使用的情況下同樣很有意義， 比如駕駛的同時(shí)查詢電子地圖。目前要真正控制一臺(tái)圖形界面的電腦， 必須做到使用語(yǔ)音控制也能像使用鍵盤和鼠標(biāo)那樣輸入數(shù)據(jù)以及控制光標(biāo)。因此一種有效的語(yǔ)音控制光標(biāo)程序， 也就是可以定位在屏幕的任意位置， 并且可以模擬單擊、雙擊拖拽等各種鼠標(biāo)動(dòng)作的語(yǔ)音控制程序， 對(duì)于實(shí)現(xiàn)語(yǔ)音控制電腦將是一個(gè)很有意義的工具。

　　本文利用微軟的Speech SDK 5.1 免費(fèi)的語(yǔ)音識(shí)別引擎和模擬鼠標(biāo)技術(shù)， 用Delphi7.0 實(shí)現(xiàn)了一個(gè)語(yǔ)音控制鼠標(biāo)應(yīng)用程序， 可以實(shí)現(xiàn)語(yǔ)音控制鼠標(biāo)移動(dòng)、停止、單擊等動(dòng)作達(dá)到控制屏幕光標(biāo)的作用， 并對(duì)語(yǔ)音控制鼠標(biāo)程序中的延遲問(wèn)題進(jìn)行了分析， 提出并實(shí)現(xiàn)了一種改進(jìn)方法。

　　2 基于語(yǔ)音識(shí)別的光標(biāo)控制類型

　　目前有兩種語(yǔ)音控制鼠標(biāo)的模式： 一種是目標(biāo)導(dǎo)向光標(biāo)控制和方向?qū)蚬鈽?biāo)控制[n].對(duì)于前者， 用戶需要用語(yǔ)音給出具體目標(biāo)名稱或者位置， 比如圖標(biāo)、菜單， 或者屏幕區(qū)域名稱， 然后給出執(zhí)行的命令如單擊等， 這種方式對(duì)于單個(gè)軟件還是有效的， 但是當(dāng)目標(biāo)增加的時(shí)候用戶需要記憶很多目標(biāo)的名稱， 還可能出現(xiàn)同名稱目標(biāo)的情況， 因此工作中的錯(cuò)誤率會(huì)增加。另一種方向?qū)蚬鈽?biāo)控制又分為非連續(xù)控制和連續(xù)控制兩種， 對(duì)于非連續(xù)的情況用戶要同時(shí)說(shuō)明方向和距離， 如命令左8 厘米, 那么光標(biāo)就向左移動(dòng)8厘米； 而對(duì)于連續(xù)的情況用戶先說(shuō)明方向如向左,光標(biāo)就向左移動(dòng)， 直到用戶再說(shuō)停止, 光標(biāo)才停止運(yùn)動(dòng)。

　　本文討論的聲控光標(biāo)是屬于方向?qū)蛑械倪B續(xù)控制， 這種鼠標(biāo)控制和日常的使用習(xí)慣比較一致， 用戶使用起來(lái)比較適應(yīng)。

　　3 實(shí)現(xiàn)

　　本文語(yǔ)音控制光標(biāo)程序的語(yǔ)音控制是采用微軟的Speech SDK 5.1 的語(yǔ)音識(shí)別引擎及其API 接口， 這是一個(gè)免費(fèi)的開(kāi)發(fā)包， 并且可以用它開(kāi)發(fā)具有中文語(yǔ)音功能的軟件。語(yǔ)音識(shí)別引擎通常可以分為兩種工作方式， 一種就是命令控制（Command and Control） 方式， 這個(gè)方式下語(yǔ)音識(shí)別引擎可以識(shí)別簡(jiǎn)短的語(yǔ)音命令， 以便執(zhí)行相應(yīng)的程序； 另外一種是連續(xù)聽(tīng)寫方式，這個(gè)模式下語(yǔ)音識(shí)別引擎要識(shí)別連續(xù)的語(yǔ)音， 這種功能實(shí)現(xiàn)起來(lái)比語(yǔ)音控制更復(fù)雜， 因?yàn)檎Z(yǔ)音聽(tīng)寫過(guò)程中需要對(duì)上下文以及相同相似發(fā)音的詞語(yǔ)進(jìn)行分析、作出判斷， 而在命令控制語(yǔ)音方式中不需要作上下文分析。本文采用的是命令控制方式， 因?yàn)閷?shí)現(xiàn)語(yǔ)音控制鼠標(biāo)只需要對(duì)有限的幾個(gè)簡(jiǎn)短的命令進(jìn)行識(shí)別， 如左、右、停等。圖1 是語(yǔ)音控制鼠標(biāo)程序的結(jié)構(gòu)圖。

圖1 語(yǔ)音控制鼠標(biāo)程序結(jié)構(gòu)

　　該應(yīng)用程序主要包括兩個(gè)部分： 第一部分語(yǔ)音控制應(yīng)用主程序部分， 主要調(diào)用語(yǔ)音識(shí)別引擎識(shí)別用戶的語(yǔ)音命令。

　　這部分程序主要完成幾件工作：

　?、賹?dǎo)入辭書文法文件（XML 格式， 其中定義感興趣的語(yǔ)音命令） , 完成對(duì)語(yǔ)音識(shí)別引擎接口的初始化工作， 激活語(yǔ)音識(shí)別引擎；②接收語(yǔ)音識(shí)別引擎的識(shí)別結(jié)果， 根據(jù)識(shí)別結(jié)果調(diào)用相應(yīng)的鼠標(biāo)控制程序。

　　下面的語(yǔ)法文件中定義了方向命令和鼠標(biāo)事件命令的語(yǔ)法規(guī)則：

　　GRAMMAR LANGID=804>

　　DEFINE>

　　ID NAME=RID_start VAL=1/>

　　ID NAME=PID_colour VAL=2/>

　　ID NAME=PID_colourvalue VAL=3/>

　　/DEFINE>

　　! - - Rule definiTIons - - >

　　RULE NAME=start ID=RID_start TOPLEVEL=ACTIVE>

　　RULEREF NAME=colour PROPNAME=colourPROPID=PID_colour />

　　/RULE>

　　RULE NAME=colour >

　　L PROPNAME=colourvalue PROPID=PID_

　　colourvalue>

　　P VAL=1>上/P>

　　P VAL=2>下/P>

　　P VAL=3>左/P>

　　p VAL=4>右/p>

　　p VAL=5>停止/p>

　　P VAL=6>單擊/P>

　　P VAL=7>雙擊/P>

　　p VAL=8>關(guān)閉/p>

　　/L>

　　/RULE>

　　/GRAMMAR>

　在程序運(yùn)行的時(shí)候， 一旦有上述語(yǔ)法文件中定義的命令被成功識(shí)別， 則在程序的onRecgnition 響應(yīng)函數(shù)中可以查詢出識(shí)別的返回值是1~8 中的某個(gè)值， 根據(jù)不同的返回值就可以調(diào)用鼠標(biāo)控制程序進(jìn)行鼠標(biāo)的某個(gè)方向的移動(dòng)或者點(diǎn)擊等事件的模擬控制。

　　第二部分鼠標(biāo)控制程序， 就是調(diào)用程序模擬控制鼠標(biāo)移動(dòng)或單擊等各種鼠標(biāo)事件。這一部分主要是利用Windows API 函數(shù)模擬鼠標(biāo)事件實(shí)現(xiàn)對(duì)鼠標(biāo)光標(biāo)的控制。