有没有办法在Windows语音合成器说话时显示音频波形？

Question

我正在编写一个程序，它使用Windows语音识别来监听命令，并使用语音合成器提供实时反馈。我想知道是否有可能使用合成器的结果来创建音频波形(类似于您在录制声音时在Audacity中看到的)，并在合成器继续说话时实时显示。我试图给人一种能够“看到”节目谈话的效果，而不仅仅是听到它。我不知道从哪里开始，任何建议/帮助都将不胜感激。

Answer 1

从Windows Vista开始，您可以通过以下方式捕获当前音频会话的音频缓冲区：

• WASAPI

现在，WASAPI不适合被托管应用程序调用。您可能需要PInvoke函数。但是你很幸运！有一个包装该API的托管库：

• CSCore

它提供了许多有用的对象来处理音频缓冲区和流。您可以通过nuget将包加载到项目中

要创建用于捕获实时音频缓冲区的Stream，您需要执行以下操作：

            using (WasapiCapture capture = new WasapiLoopbackCapture()) {                    
                capture.Initialize();                    
                using(MemoryStream mstr = new MemoryStream())
                using (WaveWriter wvWriter = new WaveWriter(mstr, capture.WaveFormat)) { 
                     capture.DataAvailable += 
                           (object sender, DataAvailableEventArgs e) => {                                    
                                wvWriter.Write(e.Data, e.Offset, e.ByteCount);
                                // Do some stuff with that Data!
                           }
                }
            }

要了解如何创建注入到流中的数据的WaveForm，您可能需要查看一些教程。(提示:问问)

为了帮助您上路，请查看此stackoverflow question或此CodeProject article

还请注意，大多数教程涵盖了如何创建标准44.1 kHz 16位立体声PCM音频格式的波形。Windows喜欢将其音频缓冲为88 kHz 32位IEEE_FLOAT立体声PCM音频格式。这意味着你每秒将有88,000个32位样本进行处理，这些样本将对应于2个通道，并且具有从0.0到1.0的float值。(而不是-32k到+32k integer值)

Windows在内部做到了这一点，因为浮点采样更适合于混合不同的音频源。