NSSpeechSynthesizer 和音轨持续时间

Question

这次我有一个逻辑问题。希望你们中的某个人可以帮助我。使用 `NSSpeechSynthesizer' 你可以设置速率，即每分钟 235 个单词，每分钟 100 个单词等等......

我发现通常每分钟的平均单词数是使用每个单词 5 个字符的标准化单词长度来计算的，同时计算空格和符号。

我需要自动将长文本细分为具有预选持续时间的曲目，比如每首曲目 15 分钟。

我们如何计算每个“拆分”到语音引擎的正确字符数？

我的解决方法如下：

// duration is the number of minutes per track
numberOfWordsPerTrack = [rateSlider floatValue] * duration;
splits = [[NSMutableArray alloc] init];

finished = NO;
NSUInteger position = 0;
while( !finished ) {
    NSRange range;

    // the idea is: I take 5*numberOfWordsPerTrack characters
    // until the text allows me to select them  
    range = NSMakeRange( position, 5*numberOfWordsPerTrack );
    if( range.location+range.length > mainTextView.string.length ) {
        // If there are not another full character track we get
        // the tail of the remaining text 
        finished = YES;
        range = NSMakeRange( position, mainTextView.string.length-position );
    }

    // Here we get the track and add it to the split list  
    if( range.location+range.length <= mainTextView.string.length ) {
        currentSplit = [mainTextView.string substringWithRange:range];
        [splits addObject:currentSplit];
    }

    position += range.length;
}

此解决方案的问题是轨道持续时间不正确。它与期望值相差不远，但它是不正确的。例如，使用每分钟 235 个单词，持续时间为 50 分钟，我每首曲目有 40 分钟。如果我设置每首曲目 120 分钟，我每首曲目有 1 小时：39 米……等等……

你认为逻辑错误在哪里？

在 JanX2 回复后编辑

好吧，虽然我随机想到了以下假设，你能告诉我你在实施之前是怎么想的，因为这不是我代码中的轻微变化

如果我使用 speechSynthesizer:willSpeakWord:ofString: 代表成员，我可以经常测试 .aiff 文件大小，即在说出下一个单词之前（真实单词，未标准化）。因为我们知道这些文件是由合成器创建的 Hz、比特和通道，并且因为我们知道它们没有被压缩，所以我们可以对轨道的当前长度进行一些猜测。

此解决方案的最大缺点可能是连续磁盘访问，这会大大降低性能。

你怎么看？

Answer 1

我只能猜测，但您使用的启发式将包括“沉默”字符。为什么不尝试补偿测量误差？您似乎有一个几乎是线性的错误，因此您可以将其纳入计算：

40 / 50 = 80%
99 / 120 = 82.5%

所以你有大约 17.5-20% 的误差。只需将上面计算的时间乘以 0.8 或 0.825，您就会越来越接近。这很粗略，但你已经在使用启发式了。

顺便说一句：您可能应该考虑使用-enumerateSubstringsInRange:options:usingBlock: 来实现句子粒度而不是任意分词。

使用“-speechSynthesizer:willSpeakWord:ofString:”会导致更大的问题：根据我的经验，它可能与正在写入的文件中的位置不同步几百毫秒到几秒。与 Nuance 语音一起使用时，说出下一个单词似乎有问题。