在听力考试系统中，听力题目往往是以音频文件的形式存在。一个60秒左右较高码率的波形文件（wav文件）大约需要2M存储空间，具有5000个听力题的题库占用磁盘空间将达到10G。随着题库中题目的增加，所需磁盘空间会进一步上涨。在安排听力考试时，异地多个考场同时进行，对于音频文件的访问也占用了更多的带宽。同时，考生在抽取题目后也需要等待音频文件从考试服务器缓冲完成后才能开始考试。基于此，可以在保存听力题目时只保存文本信息，考试时客户机只下载文本信息，在本地调用语音合成引擎转换为音频输出，从而减少考试服务器磁盘空间的占用，降低考试时带宽的使用，同时也降低了考题的缓冲时间，增加了放音的灵活性，提高整个考试系统的运行效率。

语音合成是将文本转化成语音的技术，通常也称为TTS（Text to Speech），在日常生活中有着广泛的应用，比如智能客服、虚拟助手、智能阅读等 ^[1]。传统的语音合成系统通常包括前端和后端两个模块。前端模块主要是对输入文本进行分析，一般包含文本正则化、分词、词性预测、多音字消歧、韵律预测等子模块，根据输入的文字信息进行分析，生成对应的语言学规格书。后端模块主要是根据语音分析部分提供的语音学规格书，生成对应的音频，实现发声的功能。目前，后端模块的实现技术主要有波形拼接、参数合成以及端到端语音合成三种。其中基于神经网络的端到端语音合成是目前较为流行的技术。^[2] 目前，提供语音合成引擎的公司有多家，例如谷歌、讯飞、百度、微软、腾讯等。其中，微软的语音合成引擎集成在Windows系统中，可支持各种主流语言，不需要额外安装并且提供了开发接口，易于使用。因此，针对运行于普通PC机上的考试端在没有特殊需求的情况下可以采用Windows自带的语音合成引擎。目前，Windows10默认安装了一个英文语音Microsoft Zira Desktop和四个中文语音Microsoft Huihui Desktop、Microsoft Hongyu Desktop、Microsoft Kangkang Desktop、和Microsoft Yaoyao Desktop。其中Microsoft Huihui Desktop为女声，默认为开启状态，后三项语音需要在注册表中添加配置信息才能开启，并且只有Microsoft Kangkang Desktop为男声。英文语音只能朗读英文文字，而中文语音可以朗读中文及英文文字。

Windows语音合成引擎中常用类及其方法如表格1所示：

表1 Windows 语音合成引擎中常用类及其方法

PromptStyle类 主 要 用 于PromptBuilder类的StartStyle方法，而PromptBuilder类主要用于SpeechSynthesizer类的Speak方法。上述三个类均可以调整语音的语速和音量。如果要详细定义一段合成语音中的语音名字、语音、语速、语气等属性可以采用PromptBuilder类结合PromptStyle类来完成。实际上PromptBuilder类结合PromptStyle类会生成一份用语音合成标 记 语 言（SSML，Speech Synthesis Markup Language）构成的文档，语音合成引擎根据此文档进行语音播放。需要注意PromptBuilder类的AppendTextWithPronunciation方法仅支持国际音标（IPA），如果需要使用通用音素集（UPS）或语音服务音标（SAPI），则需要使用AppendSsmlMarkup方法添加符合语音合成标记语言规范的标记。当然，也可以直接使用语音合成标记语言编写语音合成所需文本，通过SpeechSynthesizer类的SpeakSsml方法合成语音。

例如要播放的听力题目为男女声对话，使用C#设计程序如下：

其对应的语音合成标记语言文本为：

在听力考试系统设计时，针对每一个听力题可以单独设计对应的语音合成标记文本，以方便合成语音的输出。语音合成标记语言的构成及说明可以参考万维网联盟（W3C）的SSML版本1.0^[3]。

完整的听力考试系统涉及到抽题、组卷、放音、阅卷、生成成绩、成绩分析等多个方面，这里仅给出与放音相关的部分。试题题干、答案、听力部分对应的文本保存在数据库中。当考试端抽取题目需要播放听力音频时，查询获取听力题目对应文本信息，然后加载考试端的语音合成技术引擎，将文本读出即可。

2.1数据表设计

对于考试题库，设计如下表格：

表2 数据表设计

数据表中单独设计了questionb字段，其主要用于保存实际发音的语音合成标记文本，在题目中添加控制字符用于微调放音的音量、语速、停顿、语音等。

2.2程序设计

听力考试所有题目均在数据库中保存其语音合成标记文本，应用程序完成数据库查询并返回试题的信息，然后调用Windows系统的TTS引擎，直接使用题目的语音合成标记文本进行放音。访问数据库的典型代码如下：

听力考试中通过语音合成技术进行放音部分的程序设计较为简单，复杂的部分在于将各个题目按照SSML标准进行转换。如果仅仅需要使用默认语音进行放音，不涉及到语调、特殊文字的注音等方面，可省去转换的工作，直接调用SpeechSynthesizer类的Speak方法即可 ^[4]。例如：

本文介绍了语音合成技术及微软语音合成引擎的接口使用方法，并详述了在听力考试系统中的应用方式，给出了关键代码。通过对使用语音合成技术和传统录制音频的方式进行比较，得出了语音合成技术在放音灵活性、占用带宽和数据库占用存储空间方面具有明显优势，应用在听力考试系统中具有很好的效果。