在SAPI (c#)中，“定时”音素的正确方式是什么？(SpVoice.Phoneme()->streamPosition)

Question

我有下一个“问题”在我的应用程序，我写的应用程序，会有人写文字，SAPI TTS翻译它的讲话，然后我将与输出WAV工作。我需要的是关于音素的信息(在输出WAV中有一些音素，有多长的声音说出来，等等)。好的，我使用了SpVoice.Phoneme()，并为音素添加了处理程序。好了，现在我可以在SpVoice.Phoneme()中获得持续时间SpVoice.Phoneme()是属性StreamPosition，但我不知道这意味着什么。

来自MSDN：

StreamPosition

音素开始的输出流中的字符位置。

我不明白它们是否意味着输出WAV中的“字节”位置(在哪个字节上是音素)，..or毫秒时间在输出WAV..or中，这意味着什么？？

例如，对于文本：

，这太高了。这太低了。这太快了。太慢了。

我得到了StreamPositions值：

职位:0

职位:120个

职位:2562

……

职位:143798

职位:147874

职位:151950

输出WAV文件有5.377098秒，最后一个音素"ow“在4.734秒左右被告知。输出WAV文件有237 568字节。因此，属性StreamPosition "147874“的值可能不是开始音素的字节。对于“定时”也是如此(因为WAV有5.3s，但是151950 ms是151,950s..so，这是关闭的)。

，那么StreamPosition是什么？(StreamPosition中的值是什么？)

我真的需要及时赶上音素开始的时间。我试过了DateTime.Now.Ticks.现在是T.当用户单击按钮开始翻译TTS时，我保存这个日期时间值，当某个处理程序捕获某个音素时，我再次捕获该值。然后我将得到currTime-startTime的值。但这种“方法”并不那么精确。总有一些分歧。SpVoice.Phoneme()有什么“方法”或者什么东西来准确地获取音素开始时间的信息吗？如果没有，有什么更好的方法来获得更准确的时间在ms？

谢谢你对我的英语的回答和建议

Answer 1

好吧，我会回答自己..。我的单身汉教授用C++给我发了一些他写的代码。我坚持了两天，现在我发现我是多么的愚蠢

所以我会回答..。

属性StreamPosition实际上是输出流(可能是WAV)中的“咬”位置。

如果您想知道输出流中毫秒的位置，则需要编写以下内容：

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

因此，您需要查找有关outputStream的信息，如bitsPerSample、SamplesPerSec，并且您将获得毫秒的计时。

Answer 2

1)我不知道如何将输出保存到wav文件中，但是文件大小237 568字节比正常大(如果采样率为16 the ，为)，作为5.377098秒wav文件的文件大小

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

所以，我认为你的wav文件也包含音素事件。

2)TTS需要时间来生成输出，因此不能以这种方式计时，我建议您：

2.1)记录音素事件，就像你在1中可能做的那样

You can also refer to Windows SDK 

C：\程序文件\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)按流启动<=等其他事件的时间安排，我不太确定它的确切名称。

在Windows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)
            {
            }
        }

但是代码不在C#中