科大讯飞的ASR和TSS口碑这么好，在PC和Android资源很多，虽然对*nix似乎支持不很到位，不过还是尝试一下，以下为测试内容。先说结果：如果说某度号称比google更懂中文会让人笑落满口牙，那么说科大讯飞更懂中文，应该当之无愧。讯飞主要提供：
1、语音合成
包括在线与离线合成，支持中文、英文、粤语、中英混、粤英混等。可以设定不同音色，包括普通话女童、普通话男声、普通话女声、粤语、东北话、河南话、湖南话、四川话等。支持多字符集，包括GB2312、GBK、Big5、Unicode、UTF-8等。
2、语音识别
提供在线与离线两种，功能包括前端预处理：端点检测、噪音消除、智能打断，后端识别：连续语音识别、个性化语音识别、置信度输出、多识别结果、多槽识别等。
3、语义理解
能处理基于文法规则的实际业务，支持用户通过自然语言向机器发出某种业务需求，如打电话、发短信、查天气、查股票、查航班、订酒店等。具备基于相似问句语义距离度量的智能知识问答。具备基于本体库自动构建及推理的智能问答。这块画蛇添足。
1、注册
1、到讯飞云去注册帐号，关联手机关联威信，建App，获ID，下载zip。
$ wget xunfei.tar.bz2
$ tar xvf xunfei.tar.bz2
2、头文件
在下载下来的include文件夹下，有五个文件：msp_errors.h、msp_types.h、msp_cmn.h、qisr.h、qtts.h，前两个是通用数据结构，qisr.h是语音识别头文件，qtts.h是语音合成头文件，在开发代码中include即可。
3、库文件
bin文件夹比较多，主要的是libmsc.so和libspeex.so两个库，复制到/usr/lib或/usr/bin目录即可。
$ sudo cp ./libmsc.so /usr/lib
4、make
$ cd samples/asr_sample
$ ./32bit_make.sh
5、可以测试
$ cd bin
$ ./asr_sample
1、建立项目目录
$ mkdir prj1
2、将SDK/Linux_SDK的src和bin和include和libs都拷贝到prj1目录下
$ cp …
3、在src下建源文件
$ cd src/
$ vi main.c
参考samples代码编辑自己源文件。
4、在prj1目录下创建Makefile文件：
DIR_INC = ./include
DIR_BIN = ./bin
DIR_LIB = ./libs
TARGET = prj1
BIN_TARGET = $(DIR_BIN)/$(TARGET)
CROSS_COMPILE =
CFLAGS = -g -Wall -I$(DIR_INC)
ifdef LINUX64
LDFLAGS := -L$(DIR_LIB)/x64
else
LDFLAGS := -L$(DIR_LIB)/x86
endif
LDFLAGS += -lmsc -lrt -ldl -lpthread
OBJECTS := $(patsubst %.c,%.o,$(wildcard *.c))
$(BIN_TARGET) : $(OBJECTS)
$(CROSS_COMPILE)gcc $(CFLAGS) $^ -o $@ $(LDFLAGS)
%.o : %.c
$(CROSS_COMPILE)gcc -c $(CFLAGS) $< -o $@
clean:
@rm -f *.o $(BIN_TARGET)
.PHONY:clean
5、指定库位置
复制SDK/Linux_SDK/samples目录下“32bit_make.sh”或“64bit_make.sh”文件到prj1目录下。
修改libmsc.so库搜索路径
$ make clean;make
$ export LD_LIBRARY_PATH=$(pwd)/libs/x86/
6、source
$ cd prj1/
$ source 32bit_make.sh
7、run
$ cd bin/
$ ./main
8、日志文件位于bin/msc
1、wav
wav格式是目前Windows最直接保存声音数据的文件格式，在涉及声音信号处理时大多是对WAV文件直接操作。
2、riff
在Windows环境下大部分多媒体文件都依循着一种特定结构来存放信息,这称为资源互换文件格式(Resources Interchange File Format),称为RIFF，比如声音的WAV文件,视频的AVI文件,动画的MMM文件等。
RIFF是一种树状结构,基本组成单位是chunk(块),每个chunk由“辨识码-数据大小-数据”组成,所以一个chunk的长度就是“数据”的大小加8Byte。这是一般情况,因为通常chunk本身不会内部再包含chunk,除了极少的例外。RIFF相当于一个根目录,而格式辨识码则相当于具体的盘符如C:、D:。
3、文件头
扩展名为.wav的音频文件是一种非常简单的RIFF文件,其格式辨识码为”WAVE”，整个wav文件包括文件头和数据块两部分，文件头一般会有两种格式。
3.1、标准44字节文件头
3.1.1、RIFF WAVE Chunk：
以’RIFF’作为标示；然后紧跟着为size字段，该size是整个wav文件大小减去ID和Size所占用的字节数,即size:=FileLen-8；再然后是Type字段,为’WAVE’,表示是wav文件。结构定义如下:
struct RIFF_HEADER
{
char szRiffID[4]; // ‘R’,’I’,’F’,’F’
DWORD dwRiffSize;
char szRiffFormat[4]; // ‘W’,’A’,’V’,’E’
};Format Chunk
3.1.2、Format Chunk
以’fmt ‘作为标示。一般情况下Size为16,此时最后附加信息没有；如果为18则最后多了2个字节的附加信息。结构定义如下:
struct WAVE_FORMAT
{
WORD wFormatTag;
WORD wChannels;
DWORD dwSamplesPerSec;
DWORD dwAvgBytesPerSec;
WORD wBlockAlign;
WORD wBitsPerSample;
};
struct FMT_BLOCK
{
char szFmtID[4]; // ‘f’,’m’,’t’,’ ‘
DWORD dwFmtSize;
WAVE_FORMAT wavFormat;
};
3.2、58字节的文件头
这不是Windows的标准WAV文件,而是经过了一些软件处理的。
它比44字节的多了一个fact子块，储存了关于WAV文件内容的重要信息。用不到，暂时不看。
4、数据
data块装的是真正的声音数据，除非安装其它特殊软件否则Windows仅提供WAVE_FORMAT_PCM一种数据格式，即脉冲编码调制PCM：Pulse Code Modulation，其数据存放形式如下图所示,根据声道数不同及取样位数的不同,安排4位的位置。
Data Chunk头结构定义如下:
struct DATA_BLOCK
{
char szDataID[4]; // ‘d’,’a’,’t’,’a’
DWORD dwDataSize;
};
Windows将16位值取值范围定为[-32768,32767]，所以0并不一定代表无声,要注意声音格式是l6位还是8位。解压缩后得到的文件仅仅是裸数据,如果不能正常播放声音，可以按照标准的44字节格式，在解码数据前编写一个正确的文件头,使其成为一个有效文件。
5、例如一个真正的wave文件
6、继续说明
Wav全称是Wave，说明就是将音频文件的波形完整记录，要记录波形需要两个最基本参数：
6.1、采样率，以怎样的频率记录波形的变化，常见的WAVE主要有两种，分别对应于单声道的11.025KHz采样率和8Bit采样深度以及双声道的44.1KHz采样率和16Bit的采样值深度。单声道音频文件采样数据为八位的短整数（short int 00H-FFH），双声道立体声声音文件采样数据为16位的整数（int），高八位和低八位分别代表左右两个声道。所有CD一律采用44.1KHz，而DVD/BD视频音轨一律采用48KHz，原则上更高的采样率更为精准，但是一般认为44.1KHz就接近人耳极限。
6.2、采样深度，用多少字节的储存量来储存音频波形，一般采用的是16bit，及更高的24bit，再高的深度意义不大。这样就不难回答为什么常见WAV文件比特率是1141KBit/s了，44.1KHz * 32bit =1141.2。
6.3、还要注意不同采样频率最好整倍数切换。例如下图曲线一是原始采样音频，一共四段五点；如果像曲线二采样率增加一倍，即八段九点，基本无差异；如果采样率为1.5倍，即波形三的6段7点，则新采样波形四就不可接受了。
6.4、音频压缩
音频编码压缩分为有损无损两种，前者例如MP3波形发生了改变，后者例如FLAC其波形和源文件毫无差异。有损效率高，MP3常见比特率在200KBit/s只是WAV的1/6。
按照riff格式讯飞定义的文件头结构：
typedef struct _wave_pcm_hdr
{
char riff[4]; // = “RIFF”
int size_8; // = FileSize – 8
char wave[4]; // = “WAVE”
char fmt[4]; // = “fmt ”
int fmt_size; // = 下一个结构体的大小:16 | 18
short int format_tag; // = PCM : 1
short int channels; // = 通道数 : 1
int samples_per_sec; // = 采样率 : 8000 | 6000 | 11025 | 16000
int avg_bytes_per_sec; // = 每秒字节数 : samples_per_sec * bits_per_sample / 8
short int block_align; // = 每采样点字节数 : wBitsPerSample / 8
short int bits_per_sample; // = 量化比特数: 8 | 16
char data[4]; // = “data”;
int data_size; // = 纯数据长度 : FileSize – 44
} wave_pcm_hdr;
默认文件头是这样：
wave_pcm_hdr default_wav_hdr =
{
{ ‘R’, ‘I’, ‘F’, ‘F’ },
0,
{‘W’, ‘A’, ‘V’, ‘E’},
{‘f’, ‘m’, ‘t’, ‘ ‘},
16,
1,
1,
16000,
32000,
2,
16,
{‘d’, ‘a’, ‘t’, ‘a’},
0
};
音频合成主要代码：
int text_to_speech(const char* src_text, const char* des_path, const char* params)
{
int ret = -1;
FILE* fp = NULL;
const char* sessionID = NULL;
unsigned int audio_len = 0;
wave_pcm_hdr wav_hdr = default_wav_hdr; //默认文件头
int synth_status = MSP_TTS_FLAG_STILL_HAVE_DATA; //状态机模型
if (NULL == src_text || NULL == des_path) …
fp = fopen(des_path, “wb”); …
//一、pre-合成
sessionID = QTTSSessionBegin(params, &ret); //（1）获得本次sessionID
if (MSP_SUCCESS != ret) …
ret = QTTSTextPut(sessionID, src_text, (unsigned int)strlen(src_text), NULL); //（2）put代合成的文本
if (MSP_SUCCESS != ret) …
//二、合成
fwrite(&wav_hdr, sizeof(wav_hdr) ,1, fp); //（3）添加文件头header
while (1)
{
//获取合成音频
const void* data = QTTSAudioGet(sessionID, &audio_len, &synth_status, &ret);
if (MSP_SUCCESS != ret) …
if (NULL != data)
{
fwrite(data, audio_len, 1, fp); //（4.1）添加音频数据
wav_hdr.data_size += audio_len; //（4.2）刷新大小
}
if (MSP_TTS_FLAG_DATA_END == synth_status) break; //出口
usleep(150*1000); //防止频繁占用CPU
}
if (MSP_SUCCESS != ret) …
//修正wav文件头
wav_hdr.size_8 += wav_hdr.data_size + (sizeof(wav_hdr) – 8); //刷新大小
//将修正过的数据写回文件头部,音频文件为wav格式
fseek(fp, 4, 0);
fwrite(&wav_hdr.size_8,sizeof(wav_hdr.size_8), 1, fp); //写入size_8的值
fseek(fp, 40, 0); //将文件指针偏移到存储data_size值的位置
fwrite(&wav_hdr.data_size,sizeof(wav_hdr.data_size), 1, fp); //写入data_size的值
fclose(fp);
fp = NULL;
//三、post-合成
ret = QTTSSessionEnd(sessionID, “Normal”);
if (MSP_SUCCESS != ret) …
return ret;
}
主程序：《iFlytek MSC Reference Manual》
int main(int argc, char* argv[])
{
int ret = MSP_SUCCESS;
const char* login_params = “appid = 5786f5??, work_dir = .”; //登录参数,appid与msc库绑定，勿随意改动
/*
* voice_name: 合成发音人，0：数值优先,1：完全数值,2：完全字符串，3：字符串优先。
* sample_rate: 合成音频采样率
* speed: 合成音频对应的语速
* volume: 合成音频的音量
* pitch: 合成音频的音调
* rdn: 合成音频数字发音方式
* text_encoding: 合成文本编码格式
*/
const char* session_begin_params = “voice_name = xiaoyan, text_encoding = UTF8, sample_rate = 16000, speed = 50, volume = 50, pitch = 50, rdn
= 2”;
const char* filename = “tts_sample.wav”; //合成的语音文件名称
const char* text = “语音合成示例，”; //合成文本
//一、登录
ret = MSPLogin(NULL, NULL, login_params);//第一个参数是用户名，第二个参数是密码，第三个参数是登录参数
if (MSP_SUCCESS != ret) …
//二、合成
ret = text_to_speech(text, filename, session_begin_params);
if (MSP_SUCCESS != ret) …
//三、退出
MSPLogout();
return 0;
}
主要是倒腾这几个函数：
const char *MSPAPI QTTSSessionBegin (const char *params, int *errorCode)
int MSPAPI QTTSTextPut (const char *sessionID, const char *textString, unsigned int textLen, const char *params)
const void *MSPAPI QTTSAudioGet (const char *sessionID, unsigned int *audioLen, int *synthStatus, int *errorCode)
int MSPAPI QTTSGetParam (const char *sessionID, const char *paramName, char *paramValue, unsigned int *valueLen)
int MSPAPI QTTSSessionEnd (const char *sessionID, const char *hints)
主要参数是下面这些：
voice_name，发音人。如男声、女声、童声等。参考《发音人》列表。
speed，合成音频语速。0-100之间的整数，数值越大语速越快。默认为50
volume，合成音频音量。0-100之间的整数，数值越大音量越大。默认为50
pitch，合成音频音调。0-100之间的整数，数值越大音调越高。默认为50
text_encoding，合成文本编码。GB2312；GBK；BIG5；UNICODE；GB18030；UTF8
background_sound，成音频中的背景音。0：无背景音乐 1：有背景音乐。默认为0
aue，音频编码格式和压缩等级。编码算法：raw；speex；speex-wb；编码等级：raw：无等级。speex系列：0-10；默认为speex-wb;7。speex对应sample_rate=8000
speex-wb对应sample_rate=16000。
sample_rate，合成音频格式。8000 16000，默认为16000
ttp，合成文本类型。text: 普通格式文本；ssml：ssml格式文本。默认为text
rdn，合成音频数字发音。0：数值优先,1：完全数值,2：完全字符串，3：字符串优先。默认为0
《发音人》列表：
xiaoyan 普通话 青年女声；yufeng 普通话 青年男声；唐老鸭 donaldduck 普通话 卡通；许小宝 baybyxu 普通话 童声；楠楠 nannan 普通话 童声；
晓倩 xiaoqian 东北话 青年女声；晓蓉 xiaorong 四川话 青年女声；小强 xiaoqiang 湖南话 青年男声；晓美 xiaomei 粤语 青年女声；等。
要么上传语法文件，要么上传用户词表：
int upload_userwords()
{
char* userwords = NULL;
unsigned int len = 0;
unsigned int read_len = 0;
FILE* fp = NULL;
int ret = -1;
fp = fopen(“userwords.txt”, “rb”); …
fseek(fp, 0, SEEK_END);
len = ftell(fp); //获取音频文件大小
fseek(fp, 0, SEEK_SET);
userwords = (char*)malloc(len + 1);
if (NULL == userwords) …
read_len = fread((void*)userwords, 1, len, fp); //读取用户词表内容
if (read_len != len) …
userwords[len] = ‘�’;
MSPUploadData(“userwords”, userwords, len, “sub = uup, dtt = userword”, &ret); //上传用户词表
if (MSP_SUCCESS != ret) …
return ret;
}
核心的听写代码
void run_iat(const char* audio_file, const char* session_begin_params)
{
const char* session_id = NULL;
char rec_result[BUFFER_SIZE] = {NULL};
char hints[HINTS_SIZE] = {NULL}; //hints为结束本次会话的原因描述，由用户自定义
unsigned int total_len = 0;
int aud_stat = MSP_AUDIO_SAMPLE_CONTINUE ; //音频状态
int ep_stat = MSP_EP_LOOKING_FOR_SPEECH; //端点检测
int rec_stat = MSP_REC_STATUS_SUCCESS ; //识别状态
int errcode = MSP_SUCCESS ;
FILE* f_pcm = NULL;
char* p_pcm = NULL;
long pcm_count = 0;
long pcm_size = 0;
long read_size = 0;
if (NULL == audio_file) …
f_pcm = fopen(audio_file, “rb”);
if (NULL == f_pcm) …
fseek(f_pcm, 0, SEEK_END);
pcm_size = ftell(f_pcm); //获取音频文件大小
fseek(f_pcm, 0, SEEK_SET);
p_pcm = (char *)malloc(pcm_size);
if (NULL == p_pcm) …
read_size = fread((void *)p_pcm, 1, pcm_size, f_pcm); //读取音频文件内容
if (read_size != pcm_size) …
printf(“n开始语音听写 …n”);
session_id = QISRSessionBegin(NULL, session_begin_params, &errcode); //听写不需要语法，第一个参数为NULL
if (MSP_SUCCESS != errcode) …
while (1)
{
unsigned int len = 10 * FRAME_LEN; //每次写入10帧*20ms=200ms音频。16k采样率，16位音频，每帧音频20ms、大小640Byte
int ret = 0;
if (pcm_size < 2 * len) len = pcm_size;
if (len <= 0) break; //出口，识别尾部
aud_stat = MSP_AUDIO_SAMPLE_CONTINUE;
if (0 == pcm_count) aud_stat = MSP_AUDIO_SAMPLE_FIRST;
printf(“>”);
ret = QISRAudioWrite(session_id, (const void *)&p_pcm[pcm_count], len, aud_stat, &ep_stat, &rec_stat);
if (MSP_SUCCESS != ret) …
pcm_count += (long)len;
pcm_size -= (long)len;
if (MSP_REC_STATUS_SUCCESS == rec_stat) //已经有部分听写结果
{
const char *rslt = QISRGetResult(session_id, &rec_stat, 0, &errcode);
if (MSP_SUCCESS != errcode) …
if (NULL != rslt)
{
unsigned int rslt_len = strlen(rslt);
total_len += rslt_len;
if (total_len >= BUFFER_SIZE) …
strncat(rec_result, rslt, rslt_len);
}
}
if (MSP_EP_AFTER_SPEECH == ep_stat) break;//出口，到达静音
usleep(200*1000); //模拟人说话时间间隙。200ms对应10帧的音频
}
errcode = QISRAudioWrite(session_id, NULL, 0, MSP_AUDIO_SAMPLE_LAST, &ep_stat, &rec_stat);
if (MSP_SUCCESS != errcode) …
while (MSP_REC_STATUS_COMPLETE != rec_stat)
{
const char *rslt = QISRGetResult(session_id, &rec_stat, 0, &errcode);
if (MSP_SUCCESS != errcode) …
if (NULL != rslt)
{
unsigned int rslt_len = strlen(rslt);
total_len += rslt_len;
if (total_len >= BUFFER_SIZE) …
strncat(rec_result, rslt, rslt_len);
}
usleep(150*1000); //防止频繁占用CPU
}
printf(“n语音听写结束n”);
printf(“%sn”,rec_result);
printf(“=============================================================n”);
QISRSessionEnd(session_id, hints);
}
主程序：
int main(int argc, char* argv[])
{
int ret = MSP_SUCCESS;
int upload_on = 1; //是否上传用户词表
const char* login_params = “appid = 5786f5??, work_dir = .”; // 登录参数，appid与msc库绑定勿改
const char* session_begin_params = “sub = iat, domain = iat, language = zh_ch, accent = mandarin, sample_rate = 16000,
result_type = plain, result_encoding = utf8”;
/* 用户登录 */
ret = MSPLogin(NULL, NULL, login_params); //第一个用户名，第二个密码，第三个登录参数
if (MSP_SUCCESS != ret) …
printf(“演示示例选择:是否上传用户词表？n0:不使用n1:使用n”);
scanf(“%d”, &upload_on);
if (upload_on)
ret = upload_userwords();
run_iat(“wav/iflytek02.wav”, session_begin_params);
exit:
MSPLogout(); //退出登录
return 0;
}
为了测试，需要录音，用Sox。Sox是Lance Norskog创立的最著名的声音文件格式转换工具，跨平台，支持常见格式，能够进行声音滤波、采样频率转换等。Sox附带有rec,play两个程序，rec是用来录音的,play是用来播放的。
Sox的语法格式如下所示:
sox 全局参数 格式化参数 输入文件1 格式化参数 输入文件2 … 格式化参数 输出文件 效果器全局参数在最前面。每个输入文件都有相应的格式化参数,可以有多个输入文件,在每一个输出文件前面再加上格式化参数,最后是效果器。
1、一个简单的命令:
$ sox file1.wav -v 0.6 file2.wav
-v是调整音量的选项,是一种线性调整,0.6并不是调整到原先的0.6,而是幅值调整,如果-v后面的数字比1大,则增加音量,反之则减少音量,如果是负数那么在调整的同时还对音频进行反相变换,但也不是可以任意增加的,取值太大容易产生削波现象。
2、要取什么值好呢:
$ sox file1.wav -n stat -v
$ 1.003
这就是不失真最大调整量了。
作用是对音频文件做一个统计分析,并将结果打印到标准错误文件。参数方面，-n表示输出文件为空。stat为效果器,-v表示将要打印跟音量调整有关内容。
3、查看文件信息
$ sox 01.wav -n stat
4、提取
提取开头的10秒
$ sox 01.wav 011.wav trim 0 10
提取10-277秒的音频
$ sox 01.wav 012.wav trim 10 227
5、调整
调整采样率为48000:
$ sox file1.wav -r 48000 file2.wav
6、转换
wav转mp3
$ sox 01.wav sox 01.mp3
7、单声道转立体声:
$ sox file1.wav -c 2 file2.wav
其中-c就是声道转换选项,-c 2可写成-c2,所以-c1表示单声道,-c4表示4声道。
8、组合
打印细节，音量调整，采样率调整，声道转换，等等都结合起来：
$ sox -V4 -v 1.2 file1.wav -r 48000 -c 2 file2.wav
其中-V4表示打印最多细节。
9、效果器
样本用的是一小段自录声音(3.15分钟长,’wav’格式,44.1 kHz采样速率,16bit单声道)。
10、混合
$ play 01.wav mixer 0.3,0.5,0.8,0.6
采用了mixer效果器,它通过混合或者减少音轨从而减少音轨数,或者通过复制音轨而增加音轨数。
11、节拍器
$ play 01.wav tempo -q 0.8 82 20 16
下面例子则应用了tempo(节拍)效果器:
0.8设置新节拍相对于老节拍的比率,82设置所选算法要划分音频的片段大小,单位毫秒,20是音频长度,依靠它来搜索以寻找重叠点,16是重叠长度。
12颤动器
$ play 01.wav tremolo 3.5 60
3.5是颤音频率,,单位是赫兹Hz,60是深度百分比,具体来说就是”颤”到多长或深。
13、淡入淡出
$ play 01.wav fade t 00:00:100.09
上面例子中,fade是效果器名字,t是声波包络线形式,t是线性斜坡,选q则意味着是正弦波的四分之一,h表示正弦波一半,l为对数,p为倒置抛物线。默认是线性斜坡。00:00:100.09是以hh:mm:ss.fraq形式表示的时间,也可用采样数来算,如设为8000s则为8000个样本。
$ play 01.wav fade t 00:00:50.09 00:01:00 00:00:06
上面是淡入效果,那么要设置淡出效果。上例中t上面已讲,00:00:50.09是从0开始算起,到淡入结束所花费的时间;00:01:00是开始淡出的时间点,00:00:06是开始淡出到结束所花费的时间。也就是说,从00:01:00开始淡出,花费6秒即00:00:06的时间就结束了。上面的时间都可以选择以样本数量为单位,如上所述。
14、回响
自然界中,回声处处可见,比如站在高山上,向周围的山喊话,就会引起回声,在喊和回声之间的时间间隔就是延迟,它的响度就是衰减值,下面给出一个回响例子：
$ play file.xxx echo 0.8 0.88 60 0.4
上式听起来就象用两个乐器演奏同一个样本一样,0.8是输入音量,0.88是输出音量,60是延迟,单位是毫秒,0.4是相对于输入音量的衰减值。
如果延迟时间变长,听起来更象在山顶上的露天演唱会:
$ play file.wav echo 0.8 0.88 1000 0.4
衰减值最好不要大于0.5,否则可能引起输出饱和。
假如延迟很短,听起来象（金属的)机器人的表演。
$ play file.wav 0.8 0.88 6 0.4
想要更多回响也可以实现:
$ play file.wav echo 0.8 0.9 1000 0.3 1800 0.25
如果是站在群山之间,还可能会引起连续回响,即回响本身有碰到邻近山峰,反弹回来,又弹回去,这种效果就是回声,它是连续回响的意思,如果是单独应用一次回声,效果和回响是一样的,下面看一个两次回声例子:
$ play file.wav echos 0.8 0.7 700 0.25 700 0.3
在上式中,echos就是回声效果器,应用这个效果器,回响将被弹回来两次,因为两次延迟时间相同,都是700,这种回响叫对称回声,来一个不对称的回声：
$ play file.xxx echos 0.8 0.7 700 0.25 900 0.3
下面这个例子听起来就象在汽车里演奏一样：
$ play file.wav echos 0.8 0.7 40 0.25 63 0.3
上式由于延迟时间短,听起来感觉有点沉闷,不是吗?
15、rec
Sox附带的程序有rec,play两个程序，rec是用来录音的,play是用来试听效果的,它们语法跟sox是类似的，只是rec时候输入源就变成了内部或外部的设备。常规的，一般录wav用sox就ok，录制mp3可选用mpegrec。
最简单的指定文件名即可录音：
$ rec file.wav
带参数录音：
$ rec -r 16000 -b 16 -c 1 666.wav
以上符合讯飞要求：采样率16K或8KHz，采样位是16位，单声道，格式PCM或WAV。
主要参数：
-r 16000， -r指定采样速率，这里为16K
-b 16，-s指定采样位数，默认-s b为8位，这里-s w为16位。
-c 1，-c指定通道数， 这里-c 1为单通道
-v 12，-v指定音量。
-t mp3，-t指定文件类型，默认wav，这里为mp3
0、设置环境：
$ export PATH=~/XF_U1404401/Linux_voice_1.109/bin:$PATH
1、录制音频：
$ rec -r 16000 -b 16 -c 1 wav/dehaoSpeech.wav
2、识别称文本：
$ iat_sample Y
3、合成另外一种语音：
$ tts_sample –voice_name=xiaomei “我爱北京天安门” dehaoSpeech.wav
4、播放这段语音：
$ play dehaoSpeech.wav
5、还是写个脚本吧：
#!/bin/sh
export PATH=~/XF_U1404401/Linux_voice_1.109/bin:$PATH
rm wav/dehaoSpeech.wav
rec -r 16000 -b 16 -c 1 wav/dehaoSpeech.wav
tts_sample –voice_name=xiaomei `iat_sample Y` dehaoSpeech.wav
play dehaoSpeech.wav
说明：
1、脚本流程就是上面的手工流程一录、二识、三合、四播：（1）rec录制一段我的语音–>（2）文本识别iat_sample识别出这段语音成文字–>（3）语音合成程序tts_sample把这段文字合成某种方言–>（4）play播放这段方言。
2、对语音合成程序tts_sample添加了一些参数处理：
3、用了参数的最长的这句，“tts_sample”是语音合成 这个程序名，“–voice_name=xiaomei ”是第一个参数说明使用xiaomei这个粤语女声，两边用反颚符号“包围起来的`iat_sample Y`表示这个识别程序的文本结果将作为合成程序tts_sample的第二个参数，“dehaoSpeech.wav”作为第三个参数，指定了位置。
rris
rris