基于語音識別技術(shù)的聲控鼠標(biāo)光標(biāo)程序設(shè)計(jì)

　　1 概述

　　電腦語音技術(shù)經(jīng)過多年發(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)會和計(jì)算機(jī)進(jìn)行語音交互工作， 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)用的語音功能， 可以進(jìn)行語音聽寫錄入文字等工作， 還出現(xiàn)了一些基于語音技術(shù)的應(yīng)用系統(tǒng)。

　　語音技術(shù)特別是語音識別技術(shù)的發(fā)展， 使人們可能實(shí)現(xiàn)用語音控制電腦， 這對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圖形界面的電腦， 必須做到使用語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)動作的語音控制程序， 對于實(shí)現(xiàn)語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)的語音識別引擎和模擬鼠標(biāo)技術(shù)， 用Delphi7.0 實(shí)現(xiàn)了一個(gè)語音控制鼠標(biāo)應(yīng)用程序， 可以實(shí)現(xiàn)語音控制鼠標(biāo)移動、停止、單擊等動作達(dá)到控制屏幕光標(biāo)的作用， 并對語音控制鼠標(biāo)程序中的延遲問題進(jìn)行了分析， 提出并實(shí)現(xiàn)了一種改進(jìn)方法。

　　2 基于語音識別的光標(biāo)控制類型

　　目前有兩種語音控制鼠標(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］。對于前者， 用戶需要用語音給出具體目標(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， 因此工作中的錯誤率會增加。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， 對于非連續(xù)的情況用戶要同時(shí)說明方向和距離， 如命令“左8 厘米”， 那么光標(biāo)就向左移動8厘米； 而對于連續(xù)的情況用戶先說明方向如“向左”，光標(biāo)就向左移動， 直到用戶再說“停止”， 光標(biāo)才停止運(yùn)動。

　　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， 用戶使用起來比較適應(yīng)。

　　3 實(shí)現(xiàn)

　　本文語音控制光標(biāo)程序的語音控制是采用微軟的Speech SDK 5.1 的語音識別引擎及其API 接口， 這是一個(gè)免費(fèi)的開發(fā)包， 并且可以用它開發(fā)具有中文語音功能的軟件。語音識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)方式下語音識別引擎可以識別簡短的語音命令， 以便執(zhí)行相應(yīng)的程序； 另外一種是連續(xù)聽寫方式，這個(gè)模式下語音識別引擎要識別連續(xù)的語音， 這種功能實(shí)現(xiàn)起來比語音控制更復(fù)雜， 因?yàn)檎Z音聽寫過程中需要對上下文以及相同相似發(fā)音的詞語進(jìn)行分析、作出判斷， 而在命令控制語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)語音控制鼠標(biāo)只需要對有限的幾個(gè)簡短的命令進(jìn)行識別， 如“左”、“右”、“停”等。圖1 是語音控制鼠標(biāo)程序的結(jié)構(gòu)圖。

　　圖1 語音控制鼠標(biāo)程序結(jié)構(gòu)

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

　　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音命令） ， 完成對語音識別引擎接口的初始化工作， 激活語音識別引擎；②接收語音識別引擎的識別結(jié)果， 根據(jù)識別結(jié)果調(diào)用相應(yīng)的鼠標(biāo)控制程序。

　　下面的語法文件中定義了方向命令和鼠標(biāo)事件命令的語法規(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=“colour”PROPID=“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， 一旦有上述語法文件中定義的命令被成功識別， 則在程序的onRecgnition 響應(yīng)函數(shù)中可以查詢出識別的返回值是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)對鼠標(biāo)光標(biāo)的控制。

　　模擬鼠標(biāo)移動可以通過循環(huán)調(diào)用Windows API函數(shù)SetcursorPos（x1，y1）來實(shí)現(xiàn)， 在循環(huán)中控制x1 和y1 的變化就可以實(shí)現(xiàn)任何方向的鼠標(biāo)移動。在程序中模擬鼠標(biāo)移動需要用到多線程控制， 否則鼠標(biāo)移動過程中無法隨時(shí)停止或者讓他轉(zhuǎn)向。以下是移動線程中的移動控制代碼：

　　for I ：= 1 to 500 do

　　begin

　　if bstop=1 then break;

　　//遇到停止命令時(shí)停止光標(biāo)移動

　　case Dr of

　　//根據(jù)參數(shù)Dr 決定光標(biāo)運(yùn)行方向

　　1： x1：=x1+n1; //右移

　　2： x1：=x1- n1; //左移

　　3： y1：=y1+n1; //下移

　　4： y1：=y1- n1; //上移

　　end;

　　windows.SetcursorPos（x1，y1）；

　　end;

　　鼠標(biāo)的另一類控制程序是模擬鼠標(biāo)單擊雙擊等鼠標(biāo)事件， 主要是在程序中利用mouse_event 函數(shù)對鼠標(biāo)事件進(jìn)行模擬。程序中以下代碼模擬了鼠標(biāo)左鍵單擊：

　　windows.mouse_event （MOUSEEVENTF_LEFTDOWN，0，0，0，0）；

　　// 左鍵按下

　　windows.mouse_event（MOUSEEVENTF_LEFTUP，0，0，0，0）；

　　// 左鍵抬起

　　圖2 是一個(gè)理想情況下用本文程序?qū)崿F(xiàn)語音控制鼠標(biāo)的例子。光標(biāo)初始位置在屏幕左下方， 目標(biāo)矩形在屏幕右上區(qū)， 首先用戶對麥克風(fēng)發(fā)出“右”的命令， 光標(biāo)就向右移動； 當(dāng)光標(biāo)到達(dá)目標(biāo)下方的時(shí)候用戶說“上”命令， 光標(biāo)就改向上移動（ 或者先說“?！泵?， 光標(biāo)停止） ; 當(dāng)光標(biāo)到達(dá)目標(biāo)矩形， 用戶說“停”命令， 光標(biāo)停止， 最后用戶說“單擊”， 程序模擬鼠標(biāo)左鍵單擊事件， 相當(dāng)于目標(biāo)矩形被單擊。

　　圖2 一個(gè)語音控制鼠標(biāo)工作的例子

　　4 語音控制鼠標(biāo)的缺陷

　　雖然幾個(gè)簡單的語音命令， 可以控制鼠標(biāo)移動到屏幕的任何位置， 并可以根據(jù)語音命令模擬單擊、雙擊等各種鼠標(biāo)事件， 但是實(shí)際使用中還存在缺陷。

　　對于大的目標(biāo)而言， 這種語音控制鼠標(biāo)控制沒有什么問題， 如果目標(biāo)區(qū)域比較小， 將會增加使用者的難度， 比如當(dāng)光標(biāo)移動到矩形時(shí)喊“停”， 光標(biāo)會繼續(xù)移動一小段才停， 這時(shí)光標(biāo)可能已經(jīng)越過了目標(biāo)矩形。這種情況和語音識控制中存在的延時(shí)有關(guān)， 每次用戶發(fā)出語音命令到命令被執(zhí)行都有一個(gè)過程， 首先使用者說出語音命令是需要時(shí)間的， 而且語速快的人和語速慢的人說同樣的命令花的時(shí)間不同； 另