使用 SpeechSynthesizer 使用 SpeechAudioFormatInfo 流式传输 TTS

Question

我正在使用System.Speech.Synthesis.SpeechSynthesizer 将文本转换为语音。而且由于 Microsoft 的文档贫乏（请参阅我的链接，没有备注或代码示例），我无法确定两种方法之间的区别：

SetOutputToAudioStream 和 SetOutputToWaveStream。

这是我的推断：

SetOutputToAudioStream 接受一个流和一个 SpeechAudioFormatInfo 实例，该实例定义了波形文件的格式（每秒样本数、每秒比特数、音频通道等）并将文本写入流。

SetOutputToWaveStream 只接受一个流并将一个 16 位、单声道、22kHz、PCM 波形文件写入流。没有办法传入 SpeechAudioFormatInfo。

我的问题是 SetOutputToAudioStream 没有将有效的波形文件写入流。例如，在将流传递给 System.Media.SoundPlayer 时，我得到了 InvalidOperationException（“波头已损坏”）。如果我将流写入磁盘并尝试使用 WMP 播放它，我会收到“Windows Media Player 无法播放文件...”错误，但 SetOutputToWaveStream 写入的流在两者中都能正常播放。我的理论是 SetOutputToAudioStream 没有写入（有效）标题。

奇怪的是，SetOutputTo*Blah* 的命名约定不一致。 SetOutputToWaveFile 采用 SpeechAudioFormatInfo 而 SetOutputToWaveStream 没有。

我需要能够将 8kHz、16 位、单声道文件写入流，而 SetOutputToAudioStream 或 SetOutputToWaveStream 都不允许我这样做。有人了解 SpeechSynthesizer 和这两种方法吗？

供参考，这里有一些代码：

Stream ret = new MemoryStream();
using (SpeechSynthesizer synth = new SpeechSynthesizer())
{
  synth.SelectVoice(voiceName);
  synth.SetOutputToWaveStream(ret);
  //synth.SetOutputToAudioStream(ret, new SpeechAudioFormatInfo(8000, AudioBitsPerSample.Sixteen, AudioChannel.Mono));
  synth.Speak(textToSpeak);
}

解决方案：

非常感谢@Hans Passant，这是我现在使用的要点：

Stream ret = new MemoryStream();
using (SpeechSynthesizer synth = new SpeechSynthesizer())
{
  var mi = synth.GetType().GetMethod("SetOutputStream", BindingFlags.Instance | BindingFlags.NonPublic);
  var fmt = new SpeechAudioFormatInfo(8000, AudioBitsPerSample.Sixteen, AudioChannel.Mono);
  mi.Invoke(synth, new object[] { ret, fmt, true, true });
  synth.SelectVoice(voiceName);
  synth.Speak(textToSpeak);
}
return ret;

对于我的粗略测试，它工作得很好，虽然使用反射有点恶心，但它比将文件写入磁盘并打开流更好。

Answer 1

您的代码 sn-p 是 borked，您在处理后使用 synth。但这不是我确定的真正问题。 SetOutputToAudioStream 生成原始 PCM 音频，即“数字”。没有像 .wav 文件中使用的容器文件格式（标题）。是的，无法使用常规媒体程序播放。

使用 SpeechAudioFormatInfo 的 SetOutputToWaveStream 缺少重载很奇怪。尽管这在 .NET 框架中极为罕见，但在我看来确实是一种疏忽。没有令人信服的理由为什么它不应该工作，底层 SAPI 接口确实支持它。它可以通过反射来调用私有 SetOutputStream 方法。当我测试它时效果很好，但我不能保证它：

using System.Reflection;
...
            using (Stream ret = new MemoryStream())
            using (SpeechSynthesizer synth = new SpeechSynthesizer()) {
                var mi = synth.GetType().GetMethod("SetOutputStream", BindingFlags.Instance | BindingFlags.NonPublic);
                var fmt = new SpeechAudioFormatInfo(8000, AudioBitsPerSample.Eight, AudioChannel.Mono);
                mi.Invoke(synth, new object[] { ret, fmt, true, true });
                synth.Speak("Greetings from stack overflow");
                // Testing code:
                using (var fs = new FileStream(@"c:\temp\test.wav", FileMode.Create, FileAccess.Write, FileShare.None)) {
                    ret.Position = 0;
                    byte[] buffer = new byte[4096];
                    for (;;) {
                        int len = ret.Read(buffer, 0, buffer.Length);
                        if (len == 0) break;
                        fs.Write(buffer, 0, len);
                    }
                }
            }

如果您对 hack 感到不舒服，那么使用 Path.GetTempFileName() 将其临时流式传输到文件肯定会奏效。