问题SpeechSynthesizer.SetOutputToAudioStream音频格式问题

Question

我目前正在开发一个应用程序，它需要传输编码为特定音频格式的语音。

System.Speech.AudioFormat.SpeechAudioFormatInfo synthFormat = 
                        new System.Speech.AudioFormat.SpeechAudioFormatInfo(System.Speech.AudioFormat.EncodingFormat.Pcm, 
                            8000, 16, 1, 16000, 2, null); 

这说明音频是PCM格式，每秒8000个样本，每个样本16比特，单声道，每秒16000个平均字节，块对齐2。

当我尝试执行以下代码时，没有向MemoryStream实例写入任何内容；但是，当我从每秒8000个样本更改为每秒11025个样本时，音频数据被成功写入。

SpeechSynthesizer synthesizer = new SpeechSynthesizer(); 
waveStream = new MemoryStream(); 

PromptBuilder pbuilder = new PromptBuilder(); 
PromptStyle pStyle = new PromptStyle(); 

pStyle.Emphasis = PromptEmphasis.None; 
pStyle.Rate = PromptRate.Fast; 
pStyle.Volume = PromptVolume.ExtraLoud; 

pbuilder.StartStyle(pStyle); 
pbuilder.StartParagraph(); 
pbuilder.StartVoice(VoiceGender.Male, VoiceAge.Teen, 2); 
pbuilder.StartSentence(); 
pbuilder.AppendText("This is some text."); 
pbuilder.EndSentence(); 
pbuilder.EndVoice(); 
pbuilder.EndParagraph(); 
pbuilder.EndStyle(); 

synthesizer.SetOutputToAudioStream(waveStream, synthFormat);  
synthesizer.Speak(pbuilder); 
synthesizer.SetOutputToNull(); 

当使用8000的采样率时，没有记录任何异常或错误，我在文档中找不到任何关于SetOutputToAudioStream的有用信息，以及为什么它在每秒11025个样本而不是8000个样本的情况下成功。我有一个变通办法，涉及我生成的wav文件，并使用一些声音编辑工具将其转换为正确的采样率，但如果可以，我希望从应用程序中生成音频。

一个特别有趣的是，SpeechRecognitionEngine接受这种音频格式，并成功地识别出我合成的wave文件中的语音……

更新:最近发现，此音频格式对某些已安装的语音成功，但对其他语音则失败。它特别针对LH Michael和LH Michelle失败，并且失败因PromptBuilder中定义的某些语音设置而异。

Answer 1

LH、Michael和LH米歇尔的声音完全有可能不支持8000 Hz的采样率(因为它们本身就会产生大于8000 Hz的采样)。SAPI允许引擎拒绝不支持的速率。

Answer 2

我在我的NAudio库中创建了一些类，允许您将音频数据转换为不同的采样率，如果您坚持使用合成器中的11025采样率。看看WaveFormatConversionStream (使用ACM)或ResamplerDMO (使用DirectX媒体对象)

Answer 3

我也有类似的问题，我想发表一个回复，以防对任何人有帮助。这个帖子让我找到了答案。我的问题是，我将SpeechSynthesizer输出到WAV文件，然后用NAudio播放该WAV文件。当输出到文件时，它无需修改即可工作。然而，当尝试使用MemoryStream时，它会回放，但速度如此之快，你听到的只是一声尖叫。

这个输出SpeechSynthesizer的代码修复了这个问题，不需要在NAudio端进行任何修改：

SpeechAudioFormatInfo synthFormat = new SpeechAudioFormatInfo(EncodingFormat.Pcm, 88200, 16, 1, 16000, 2, null);
synth.SetOutputToAudioStream(streamAudio, synthFormat);

88200是关键。默认情况下，该值为11025。只需创建SpeechAudioFormatInfo并将其设置为88200即可。