SAPI TTS（c＃）中“计时”音素的正确方法是什么？ (SpVoice.Phoneme()->streamPosition)

Question

我的应用程序中有下一个“问题”，我编写应用程序，有人会在其中编写文本，SAPI TTS 将其翻译成语音，接下来我将使用输出 WAV。 我需要的是有关音素的信息（在输出 WAV 中是一些音素，语音说多长时间等）.. 好的，我使用了 SpVoice.Phoneme() 并添加了音素处理程序。好的，现在我可以得到持续时间等..但是在 SpVoice.Phoneme() 中是属性 StreamPosition 但我不知道这意味着什么..

来自 MSDN：

流位置
输出流中音素开始的字符位置。

我不明白它们是指输出 WAV 中的“字节”位置（音素在哪个字节上）..还是输出 WAV 中的毫秒时间..还是什么意思？？

例如，对于文本：

这很高。这是低的。这很快。这很慢。

我得到了 StreamPositions 值：

位置：0
当前位置：120
当前位置:2562
....
当前位置:143798
当前位置:147874
当前位置：151950

输出的 WAV 文件有 5.377098 秒，最后一个音素“ow”大约在 4.734 秒内被告知。 输出的 WAV 文件有 237 568 字节。所以属性 StreamPosition "147874" 的值可能不是开始音素的字节。 “计时”也是如此（以毫秒为单位，因为 WAV 有 5.3 秒，但 151950 毫秒是 151,950 秒..所以这是关闭的..）。

那么什么是 StreamPosition？（StreamPosition 中的值是什么意思？）

我真的需要准确地捕捉音素开始的时间。我用 DateTime.Now.Ticks/10000 试过了。当用户单击开始翻译 TTS 的按钮时，我会保存此日期时间值，当某些处理程序捕获某些音素时，我会再次捕获该值。然后我将使用 currTime-startTime 获得值。但这种“方法”并不那么准确。总有一些分歧。有 SpVoice.Phoneme() 一些“方法”或其他东西来获取有关音素开始时间的确切信息吗？ 如果没有，有没有更好的方法来获得更精确的毫秒时间？

感谢我的英语，非常感谢所有答案和建议..

Answer 1

好的，我会回答自己。我的学士教授给我发了一些他写的 C++ 代码。我前两天读了它，现在我知道我有多愚蠢了。

所以我会回答..

属性 StreamPosition 确实是输出流中的“咬”位置（可能是 WAV）。

如果您想知道输出流中的毫秒位置，您需要编写如下内容：

(int)StreamPosition/(double)wavFileFormat_samplesPerSec/((double)wavFileFormat_BitsPerSample/8)

因此您需要找到有关 outputStream 的信息，例如 bitsPerSample、SamplesPerSec，您将获得毫秒计时。

Answer 2

1) 我不确定你如何将输出保存到 wav 文件，但文件大小 237 568bytes 比正常大（如果采样率为 16khz），作为 5.377098 秒 wav 文件的文件大小

是 5.377098*16000*2 = 172067 字节 + 标头（44 字节）

所以，我认为您的 wav 文件也包含音素事件。

2)TTS 需要时间来生成输出，所以你不能这样计时，我建议你：

2.1) 像在 1 中所做的那样记录音素事件

You can also refer to Windows SDK 

C:\Program Files\Microsoft SDKs\Windows\v7.1\Samples\winui\speech\ttsapplication

           if (SUCCEEDED(hr))
        {
        //  OriginalFmt.WaveFormatExPtr()->nSamplesPerSec;
            hr = SPBindToFile( m_szWFileName, SPFM_CREATE_ALWAYS, &cpWavStream, &OriginalFmt.FormatId(), OriginalFmt.WaveFormatExPtr(),SPFEI_ALL_TTS_EVENTS); 
        }
        if( SUCCEEDED( hr ) )
        {
            // Set the voice's output to the wav file instead of the speakers
            hr = m_cpVoice->SetOutput(cpWavStream, TRUE);

        }

2.2) 流启动等其他事件的计时

在 Windows SDK 中：

    while (m_cpVoice->GetEvents(1, &event, &ul) == S_OK) 
        { 
            if (event.eEventId == SPEI_VISEME) 
            { 
                printf("v: %i\'",event.lParam); // viseme 
                printf("t: %i\'",event.wParam); // duration of viseme 
            } 
            else if (event.eEventId == SPEI_END_INPUT_STREAM) 
            { 

            } else if (event.eEventId == SPEI_START_INPUT_STREAM)
            {
            }
        }

但代码不在 C# 中