C# 語音辨識實戰（下）：基於 SAPI 5.1 實現中文語音輸入

前言

承接上篇語音合成，本文完成 SAPI 5.1 另一大核心能力：語音辨識 (Speech Recognition, SR)。透過 SpSharedRecoContext（共享辨識上下文）與 ISpeechRecoGrammar（口語文法），實現中文口述輸入文字，支援啟動/停止、事件驅動結果回呼、UI 執行緒安全更新。

核心類別設計：SpeechRecognizer

using System;
using System.Windows.Forms;
using SpeechLib;

public class SpeechRecognizer
{
    private static SpeechRecognizer _instance;
    private SpSharedRecoContextClass _recoContext;
    private ISpeechRecoGrammar _grammar;
    private Control _displayControl; // 結果顯示目標控制項

    private SpeechRecognizer() {
        _recoContext = new SpSharedRecoContextClass();
        _grammar = _recoContext.CreateGrammar(1); // 文法 ID

        // 訂閱辨識事件
        _ISpeechRecoContextEvents_RecognitionEventHandler handler = 
            new _ISpeechRecoContextEvents_RecognitionEventHandler(OnRecognition);
        _recoContext.Recognition += handler;
    }

    public static SpeechRecognizer Instance {
        get {
            if (_instance == null) _instance = new SpeechRecognizer();
            return _instance;
        }
    }

    // 開始聽寫模式
    public void StartDictation(Control displayControl) {
        _displayControl = displayControl;
        _grammar.DictationSetState(SpeechRuleState.SGDSActive);
    }

    // 停止辨識
    public void StopDictation() {
        _grammar.DictationSetState(SpeechRuleState.SGDSInactive);
    }

    // 辨識事件回呼（在 SAPI 工作執行緒觸發）
    private void OnRecognition(
        int streamNumber,
        object streamPosition,
        SpeechRecognitionType recognitionType,
        ISpeechRecoResult result)
    {
        string text = result.PhraseInfo.GetText(0, -1, true); // 取得辨識文字

        // 跨執行緒更新 UI：使用 Control.Invoke
        if (_displayControl != null && _displayControl.InvokeRequired) {
            _displayControl.Invoke(new Action(() => {
                _displayControl.Text += text + " ";
            }));
        } else if (_displayControl != null) {
            _displayControl.Text += text + " ";
        }
    }
}

使用範例：WinForms 語音輸入示範

public partial class MainForm : Form {
    private SpeechRecognizer _recognizer;

    public MainForm() {
        InitializeComponent();
        _recognizer = SpeechRecognizer.Instance;
    }

    private void btnStart_Click(object sender, EventArgs e) {
        _recognizer.StartDictation(txtResult); // txtResult 為 TextBox
        btnStart.Enabled = false;
        btnStop.Enabled = true;
    }

    private void btnStop_Click(object sender, EventArgs e) {
        _recognizer.StopDictation();
        btnStart.Enabled = true;
        btnStop.Enabled = false;
    }

    protected override void OnFormClosing(FormClosingEventArgs e) {
        _recognizer.StopDictation();
        base.OnFormClosing(e);
    }
}

關鍵技術點深度解析

1. 共享辨識上下文：SpSharedRecoContextClass 連接系統共享辨識器（任務列語音列），無需獨佔音訊裝置，適合桌面應用
2. 聽寫文法：DictationSetState(SGDSActive) 載入系統內建大詞彙統計語言模型，支援自由語句辨識；相對的是命令與控制文法（CFG/GRXML），限定詞彙、準確率高
3. 事件模型：Recognition 事件在 SAPI 內部執行緒觸發 → 必須用 Control.Invoke/BeginInvoke 回 UI 執行緒，否則跨執行緒操作 UI 會拋例外或行為未定義
4. 結果物件：ISpeechRecoResult 包含 PhraseInfo（辨識片語）、Alternates（備選結果）、Audio（原始音訊）等豐富資訊
5. 單例模式：共享辨識器系統資源昂貴，全程單一實例

進階：命令與控制文法（提高準確率）

自由聽寫錯誤率較高。若應用場景為固定指令（如「開啟檔案」、「儲存」、「列印」），應使用 XML 文法 (GRXML)：

// 定義 commands.grxml


  
    
      開啟檔案
      儲存檔案
      列印文件
      結束程式
    
  


// 載入文法
_grammar.CmdLoadFromFile("commands.grxml", SpeechLoadOption.SLOStatic);
_grammar.CmdSetRuleState("commands", 0, SpeechRuleState.SGDSActive);

此模式辨識準確率大幅提升，適合語音控制類應用。

常見問題排查

架構比較：SAPI 5.1 vs System.Speech vs Azure Speech

總結

SAPI 5.1 提供了完整的 COM 級語音辨識能力。本文實現的 SpeechRecognizer 類別展示了核心模式：共享上下文 + 聽寫文法 + 事件回呼 + 跨執行緒 UI 更新。理解 文法類型選擇（聽寫 vs 命令控制）、音訊裝置配置、執行緒邊界處理 是落地關鍵。現代新專案建議優先評估 System.Speech.Recognition (Managed Wrapper) 或 Azure Speech SDK，但 SAPI 5.1 互操作技術在維護舊系統、特定嵌入式 Windows 環境仍具不可替代價值。