マイクロソフト音声API

Speech Application Programming Interface ( SAPI)は、 Windowsアプリケーション内で音声認識と音声合成を使用できるようにするためにMicrosoftが開発したAPIです。現在までに、この API の複数のバージョンがリリースされており、Speech SDKの一部として、または Windows OS自体の一部として出荷されています。SAPI を使用するアプリケーションには、Microsoft Office、Microsoft Agent、Microsoft Speech Serverなどがあります。

一般に、API のすべてのバージョンは、ソフトウェア開発者がさまざまなプログラミング言語からアクセスできる標準のインターフェイス セットを使用して音声認識と合成を実行するアプリケーションを作成できるように設計されています。さらに、サード パーティ企業が独自の音声認識エンジンや音声合成エンジンを作成したり、既存のエンジンを SAPI で動作するように変更したりすることも可能です。原則として、これらのエンジンが定義されたインターフェイスに準拠している限り、Microsoft 提供のエンジンの代わりに使用できます。

一般的に、Speech API は、音声テクノロジを使用する任意の Windows アプリケーションに同梱できる、自由に再配布可能なコンポーネントです。音声認識エンジンと合成エンジンの多くのバージョン (すべてではありません) も、自由に再配布可能です。

Microsoft Speech API には、2 つの主要な「ファミリ」があります。SAPI バージョン 1 から 4 はすべて類似していますが、新しいバージョンごとに機能が追加されています。ただし、SAPI 5 は完全に新しいインターフェイスで、2000 年にリリースされました。それ以来、この API のいくつかのサブバージョンがリリースされています。

Speech API は、アプリケーションと音声エンジン(認識と合成)の間にあるインターフェイスまたはミドルウェアの一部と見なすことができます。SAPI バージョン 1 から 4 では、アプリケーションはエンジンと直接通信できました。API には、アプリケーションとエンジンが準拠する抽象インターフェイス定義が含まれていました。アプリケーションは、エンジンのメソッドを直接呼び出すのではなく、簡略化された高レベル オブジェクトを使用することもできます。

ただし、SAPI 5 では、アプリケーションとエンジンは直接通信しません。代わりに、それぞれがランタイムコンポーネント ( sapi.dll ) と通信します。このコンポーネントによって実装される、アプリケーションが使用する API と、エンジン用の別のインターフェイス セットがあります。

通常、SAPI 5 アプリケーションでは、API を介して呼び出しが発行されます (たとえば、認識文法の読み込み、認識の開始、合成するテキストの提供など)。 sapi.dll ランタイム コンポーネントは、これらのコマンドを解釈して処理し、必要に応じてエンジン インターフェイスを介してエンジンを呼び出します (たとえば、ファイルからの文法の読み込みはランタイムで行われますが、その後、文法データは認識エンジンに渡されて、実際に認識に使用されます)。 認識エンジンと合成エンジンは、処理中にイベントも生成します (たとえば、発話が認識されたことを示すため、または合成音声の単語境界を示すため)。 これらは、逆方向に、つまりエンジンからランタイム DLL を経由して、アプリケーションの イベント シンクに渡されます。

実際の API 定義とランタイム DLL に加えて、完全な Speech Software Development Kit を構成するために、他のコンポーネントが SAPI のすべてのバージョンに同梱されています。次のコンポーネントは、Speech SDK のほとんどのバージョンに含まれています。

• API 定義ファイル- MIDLおよび C または C++ ヘッダー ファイルとして。
• ランタイム コンポーネント- sapi.dll など。
• コントロール パネル アプレット- デフォルトの音声認識機能と合成機能を選択して構成します。
• 複数の言語に対応したテキスト読み上げエンジン。
• 複数の言語に対応した音声認識エンジン。
• 再配布可能なコンポーネントにより、開発者はエンジンとランタイムをアプリケーション コードとパッケージ化して、単一のインストール可能なアプリケーションを作成できます。
• サンプルアプリケーションコード。
• サンプル エンジン- 必要なエンジン インターフェイスの実装ですが、実際の音声処理は行われず、エンジンを SAPI に移植する場合のサンプルとして使用できます。
• ドキュメント。

Xuedong Huang氏は、Microsoft の初期の SAPI の取り組みを主導した重要人物でした。

SAPI の最初のバージョンは 1995 年にリリースされ、Windows 95およびWindows NT 3.51でサポートされました。このバージョンには、アプリケーションがエンジンを直接制御するために使用できる低レベルの Direct Speech Recognition API と Direct Text To Speech API、および簡略化された「高レベル」の Voice Command API と Voice Talk API が含まれていました。

SAPI 3.0 は 1997 年にリリースされました。ディクテーション音声認識 (連続音声ではなく離散音声) の限定的なサポートと、追加のサンプル アプリケーションおよびオーディオ ソースが追加されました。

SAPI 4.0 は 1998 年にリリースされました。このバージョンの SAPI には、コアCOM API と、C++ からのプログラミングを容易にするC++ラッパー クラス、およびドラッグ アンド ドロップによるVisual Basic開発を可能にするActiveXコントロールが含まれていました。これは、認識エンジンと合成エンジンを含む SDK の一部として出荷されました。また、 Windows 2000でも (合成エンジンのみで) 出荷されました。

SAPI 4 API の主なコンポーネント (すべて C++、COM、および ActiveX 形式で利用可能) は次のとおりです。

• 音声コマンド- コマンドと制御の音声認識のための高レベルオブジェクト
• 音声ディクテーション- 連続ディクテーション音声認識のための高レベルオブジェクト
• Voice Talk - 音声合成のための高レベルオブジェクト
• 音声テレフォニー- 電話音声アプリケーションを作成するためのオブジェクト
• 直接音声認識- 認識エンジンを直接制御するためのオブジェクト
• Direct Text To Speech - 合成エンジンを直接制御するためのオブジェクト
• オーディオオブジェクト- オーディオデバイスまたはファイルへの読み取り用

SAPI 5.0ランタイムを組み込んだSpeech SDK バージョン 5.0 は、2000 年にリリースされました。これは以前のバージョンからの完全な再設計であり、古いバージョンの SAPI を使用していたエンジンやアプリケーションは、大幅な変更を加えなければ新しいバージョンを使用できませんでした。

新しい API の設計には、アプリケーションとエンジンを厳密に分離するという概念が含まれ、すべての呼び出しがランタイム sapi.dll を介してルーティングされました。この変更は、API をより「エンジン非依存」にして、アプリケーションが特定のエンジンの機能に誤って依存するのを防ぐことを目的としていました。さらに、この変更は、一部の管理コードと初期化コードをランタイムに移動することで、音声テクノロジをアプリケーションに組み込むことをはるかに容易にすることを目的としていました。

新しい API は当初は純粋な COM API であり、C/C++ からのみ簡単に使用できました。VB およびスクリプト言語のサポートは後で追加されました。Windows 98およびNT 4.0以降のオペレーティング システムがサポートされました。

API の主な機能は次のとおりです。

• 共有認識機能。デスクトップの音声認識アプリケーションでは、別のプロセス ( sapisvr.exe )で実行される認識機能オブジェクトを使用できます。共有認識機能を使用するすべてのアプリケーションは、この単一のインスタンスと通信します。これにより、リソースの共有が可能になり、マイクの競合がなくなり、すべての音声アプリケーションを制御するためのグローバル UI が可能になります。
• インプロセス認識機能。認識プロセスを明示的に制御する必要があるアプリケーションでは、共有オブジェクトの代わりにインプロセス認識機能オブジェクトを使用できます。
• 文法オブジェクト。音声文法は、認識エンジンが聞き取る単語を指定するために使用されます。SAPI 5 では、文法を指定するためのXMLマークアップと、コード内で文法を動的に作成するメカニズムが定義されています。また、認識エンジンに組み込みのディクテーション言語モデルを読み込むように指示するメソッドも存在します。
• 音声オブジェクト。これは音声合成を実行し、テキストからオーディオ ストリームを生成します。マークアップ言語 (XML に似ていますが、厳密には XML ではありません) を使用して合成プロセスを制御できます。
• オーディオ インターフェイス。ランタイムには、マイクからの音声入力やスピーカー (または任意のサウンド デバイス) への音声出力を実行するためのオブジェクト、および wave ファイルとの間のオブジェクトが含まれています。カスタム オーディオ オブジェクトを作成して、標準以外の場所との間でオーディオをストリーミングすることもできます。
• ユーザー辞書オブジェクト。これにより、ユーザーまたはアプリケーションがカスタムの単語や発音を追加できます。これらは、認識エンジンまたは合成エンジンの組み込み辞書に追加されます。
• オブジェクト トークン。これは、認識および TTS エンジン、オーディオ オブジェクト、辞書、およびその他のカテゴリのオブジェクトを共通の方法で登録、列挙、インスタンス化できるようにする概念です。

このバージョンは、Speech SDK バージョン 5.0 の一部として、バージョン 5.0 の認識および合成エンジンとともに 2000 年後半に出荷されました。認識エンジンは、継続的なディクテーションとコマンド & コントロールをサポートし、米国英語、日本語、簡体字中国語バージョンでリリースされました。米国英語システムでは、子供の音声と電話音声用の特別な音響モデルが使用できました。合成エンジンは、英語と中国語で使用できました。このバージョンの API と認識エンジンは、2001 年に Microsoft Office XP でも出荷されました。

このバージョンは、Speech SDK バージョン 5.1 の一部として 2001 年後半に出荷されました。自動化に準拠したインターフェイスが API に追加され、Visual Basic、JScriptなどのスクリプト言語、マネージ コードから使用できるようになりました。このバージョンの API と TTS エンジンは、Windows XPに同梱されていました。Windows XP Tablet PC Editionと Office 2003 にもこのバージョンが含まれていますが、バージョン 6 の認識エンジンと繁体字中国語が大幅に改善されています。

これは、2004 年に出荷された Microsoft Speech Server でのみ使用される API の特別バージョンでした。SRGS および SSML マークアップ言語のサポート、および追加のサーバー機能とパフォーマンスの改善が追加されました。Speech Serverには、バージョン 6 のデスクトップ認識エンジンとバージョン 7 のサーバー認識エンジンも付属していました。

これは、新しい認識エンジンと合成エンジンとともにWindows Vistaに同梱されている API のバージョンです。Windows音声認識はオペレーティング システムに統合されているため、Speech SDK と API はWindows SDKの一部となっています。SAPI 5.3 には、次の新機能が含まれています。

• 認識と合成のための W3C XML 音声文法のサポート。音声合成マークアップ言語(SSML) バージョン 1.0 は、音声特性、速度、音量、ピッチ、強調、発音をマークアップする機能を提供します。
• 音声認識文法仕様(SRGS) は、文脈自由文法の定義をサポートしていますが、次の 2 つの制限があります。
  • デュアルトーン変調周波数 (タッチトーン) 文法を指定するための SRGS の使用はサポートされていません。
  • 拡張バッカス・ナウア記法(ABNF)はサポートされていません。
• 文法内の意味解釈スクリプトのサポート。SAPI 5.3 では、認識されたテキストを補足する意味解釈のために、SRGS 文法にJavaScriptで注釈を付けることができます。
• 辞書内のユーザー指定のショートカット。これは、辞書に文字列を追加し、それをショートカット ワードに関連付ける機能です。ディクテーション時に、ユーザーはショートカット ワードを言うことができ、認識エンジンは拡張された文字列を返します。
• 新しいタイプによって提供される追加機能とプログラミングの容易さ。
• パフォーマンスの向上、信頼性とセキュリティの向上。
• 音声認識エンジンのバージョン 8 (「Microsoft Speech Recognizer」)

これは、 Windows 7に同梱されている API の更新バージョンです。

Microsoft Sam (音声アーティキュレーション モジュール) は、一般的に出荷されている SAPI 5 音声です。さらに、Microsoft Office XP および Office 2003 では、L&H Michael および Michelle 音声がインストールされました。SAPI 5.1 SDK では、さらに 2 つの音声、MikeおよびMaryがインストールされます。Windows Vistaには、Microsoft Sam に代わる、より自然でわかりやすい音声のMicrosoft Annaが含まれています。これは、 Microsoft Streets & Trips 2006 以降のバージョンでも Windows XP にインストールされます。中国語版の Vista およびそれ以降の Windows クライアント バージョンには、 Microsoft Liliという女性の音声も含まれています。

マネージ コードAPIは、 .NET Framework 3.0の一部として出荷されます。^{[1] SAPI 5 と同様の機能を備えていますが、マネージ コード アプリケーションで使用するのにより適しています。新しい API は、} Windows XP、Windows Server 2003、Windows Vista、およびWindows Server 2008で使用できます。

既存の SAPI 5 API は、COM 相互運用コード (COM インターフェイスおよびクラスへのアクセスを支援するために設計されたヘルパー コード) を作成することにより、マネージ コードから限られた範囲で使用することもできます。これは一部のシナリオではうまく機能しますが、新しい API は他のマネージ コード ライブラリを使用する場合と同等の、よりシームレスなエクスペリエンスを提供する必要があります。

しかし、COM 相互運用性から移行する際の大きな障害は、マネージ実装に微妙なメモリ リークがあり、メモリの断片化を引き起こし、重要なアプリケーションではライブラリを使用できないことです。回避策として、Microsoft は、ボイスが少ない別の API を使用することを提案しています。^[2]

Windows Vistaには、次のような音声関連の新機能が多数含まれています。

• 完全なWindows GUIとアプリケーションの音声制御
• 新しいチュートリアル、マイクウィザード、音声認識を制御するためのUI
• Speech API ランタイムの新バージョン: SAPI 5.3
• 更新された音声認識エンジンを内蔵（バージョン 8）
• 新しい音声合成エンジンとSAPI音声Microsoft Anna
• マネージド コード音声 API (コード名 SpeechFX)
• リリース時点での音声認識サポートは 8 つの言語 (米国英語、英国英語、繁体字中国語、簡体字中国語、日本語、スペイン語、フランス語、ドイツ語) で、今後さらに多くの言語がリリースされる予定です。

特に Microsoft Agentおよびその他すべての Microsoft 音声アプリケーションは SAPI 5 を使用します。

Speech APIは次のオペレーティングシステムと互換性があります: ^[3]

SAPIバージョン5.1時点のリスト: ^[3]

• マイクロソフト Windows Server 2003
• Microsoft Windows XP (Home Edition、Professional など)
• マイクロソフト Windows ミレニアム エディション
• マイクロソフト Windows 2000
• マイクロソフト ウィンドウズ 98
• Microsoft Windows NT 4.0、Service Pack 6a、英語、日本語、簡体字中国語。

SAPI 5 以降のバージョン (例: SAPI 5.3 以降) は、次のオペレーティング システムと互換性があります。

• 2008 年から2022 年までのMicrosoft Windows Serverリリース
• マイクロソフトウィンドウズ11
• マイクロソフトウィンドウズ10
• マイクロソフト Windows 8.1
• マイクロソフト ウィンドウズ 8
• マイクロソフト ウィンドウズ 7
• マイクロソフト Windows Vista

• Microsoft Windows Server 2003以降
• Microsoft Windows XP以降
• マイクロソフト Windows ミレニアム エディション
• マイクロソフト Windows 2000
• マイクロソフト ウィンドウズ 98
• マイクロソフト Windows NT 4.0
• マイクロソフト ウィンドウズ 95

• Microsoft Windows XP Tablet PC Edition には、英語、日本語、中国語 (簡体字および繁体字) 用の SAPI 5.1 および音声認識エンジン 6.1 が含まれています。
• Windows Vista以降のWindows 音声認識
• Windows 2000 以降の Windows オペレーティング システムでのMicrosoft ナレーター
• Microsoft Office XP および Office 2003
• スプレッドシート データの読み上げには、 Microsoft Excel 2002、Microsoft Excel 2003、および Microsoft Excel 2007 を使用します。
• Windows Pocket PC および Windows Mobile 向けMicrosoft 音声コマンド
• Microsoft Plus! Windows Media Player の音声コマンド
• Adobe Readerは音声出力を使用して文書の内容を読み上げます
• CoolSpeech は、さまざまなソースからテキストを読み上げるテキスト読み上げアプリケーションです。
• Window-Eyesスクリーンリーダー
• JAWSスクリーンリーダー
• NonVisual Desktop Access (NVDA)、無料のオープンソーススクリーンリーダー

• 音声合成装置の比較
• 音声認識ソフトウェアの一覧
• SASDK  – Microsoft の音声アプリケーション SDK

• Microsoft Cognitive Services Ignite 2018 イベントのブログ投稿
• SAPI の Microsoft サイト
• Speech API ソフトウェア開発キット バージョン 5.1 の Microsoft ダウンロード サイト
• Microsoft Systems Journal の Mike Rozak による SAPI の最初のバージョンに関するホワイトペーパー
• Microsoft 音声チームのブログ