我正在尝试在 Windows 操作系统中从用户输入的特定持续时间的文本生成波形文件。 例如，如果用户想要波形文件的“HH:MM:SS”时间跨度（获取格式为总秒数）.. 文本“我爱堆栈溢出”将循环用于“HH:MM:SS”。
如何从文本中计算 Wavfile 的持续时间并生成具有特定持续时间的 Wavefile 并将其保存到磁盘。我需要遵循什么算法或代码？
目前我正在使用 Speech.Synthesis 将文本生成到波形文件，但从文本计算持续时间似乎是个大问题..
【问题讨论】：
标签： c# signals signal-processing text-to-speech
跟踪语音生成的进度。 SpeakProgressEventArgs 具有 AudioPosition 属性，即 TimeSpan。 Speak 调用之间的计时会重置，因此如果您有多个短语、句子、ssml 标记或具有不同重点、音量或速率的区域，您可以使用单个 System.Speech.Synthesis.PromptBuilder 来获取整个持续时间。
SpeechSynthesizer synth = new SpeechSynthesizer();
synth.SpeakProgress += new EventHandler<SpeakProgressEventArgs>(synth_SpeakProgress);
//
string s1 = "I love Stack Overflow";
PromptBuilder builder = new PromptBuilder();
builder.AppendSsmlMarkup("I love <emphasis>Stack Overflow</emphasis>");
builder.AppendText(s1);
builder.AppendText(s1, PromptEmphasis.Strong);
builder.AppendText(s1, PromptRate.ExtraFast);
builder.AppendText(s1,PromptVolume.Loud);
//
synth.Speak(builder);
static void synth_SpeakProgress (object sender, SpeakProgressEventArgs e)
{
Console.WriteLine("Speak progress: {0} AudioPosition: {1} Text: {2}", e.CharacterPosition, e.AudioPosition, e.Text);
}
【讨论】：
所以如果我理解正确的话，你想输入一个文本并找出合成器声音说出所需的时间。
这有点不确定，因为每个录制的声音都会以自己的方式发音每个音素。所以我可以说“我爱 Stack Overflow”比别人快或慢。为了创建合成器，Microsoft 使用了不同的声音并要求他们说出不同的文本，并在创建语音时使用与您的文本最佳匹配。
请注意，说出每个音素的时间也因文本而异。例如“flow”中的“o”时间与“olive”中的“o”时间不同。
这使得无法估计合成器说出您的文本所需的时间。您可以使用 Synthesizer.Rate 参数控制讲话的节奏，但您无法计算讲话所需的确切时间。
所以我认为如果不使用您想要的文本生成单个录音并从那里获取时间，您无法非常准确地做到这一点。
【讨论】：