Microsoft SpeechSynthesizer 在输出到文件和流时发出噼啪声

Question

我正在编写一个使用 SpeechSynthesizer 根据要求生成波形文件的东西，但我遇到了噼啪声的问题。奇怪的是直接输出到声卡就好了

这个简短的 powershell 脚本演示了这个问题，尽管我正在用 C# 编写我的程序。

Add-Type -AssemblyName System.Speech
$speech = New-Object System.Speech.Synthesis.SpeechSynthesizer
$speech.Speak('Guybrush Threepwood, mighty pirate!')
$speech.SetOutputToWaveFile("${PSScriptRoot}\foo.wav")
$speech.Speak('Guybrush Threepwood, mighty pirate!')

这个应该做的是输出到扬声器，然后将与"foo.wav"相同的声音保存在脚本旁边。

它的作用是输出到扬声器，然后将噼啪作响的老式电唱机声音版本保存为 wave 文件。我已经在三台不同的机器上对此进行了测试，虽然默认情况下它们 select 不同的声音（所有 Microsoft 都提供了默认声音），但它们听起来都像波形文件中的垃圾从楼梯上掉下来。

为什么？

编辑：我正在 Windows 10 Pro 上测试这个，最新的更新在任务栏上添加了烦人的 "People" 按钮。

编辑 2：Here's a link to an example sound generated with the above script. Notice the crackling voice, that's not there when the script outputs directly to the speakers.

编辑 3：It's even more noticeable with a female voice

编辑 4：The same voice as above, saved to file with TextAloud 3 - no cracking, no vertical spikes.

Answer 1

我很难相信这是一个 PoSH 问题。不是 PoSH 对序列化到磁盘进行编码。它是正在使用的API/Class。

'msdn.microsoft.com/en-us/library/system.speech.synthesis.speechsynthesizer(v=vs.110).aspx'

根据 MSDN，没有控制编码、比特率等的选项。

.wav 从来都不是 HQ 的东西。所以，我想知道您是否将 .wav 通过转换器转换为 .mp3 或 mp4，是否可以解决您的质量问题。但这也意味着在用户系统上安装转换器。

其次，自 Win8 以来，默认播放器甚至无法正确播放或根本无法播放 .wav。当然，您仍然可以将 .wav 的默认播放设置为 Windows Media Player 或通过 VLC 调用该文件，但它仍然是一个 .wav 文件。然而，这也意味着，您必须在每个目标系统上设置媒体播放器分配。

Answer 2

这是 SpeechSynthesizer API 的一个问题，它只是提供质量差、噼啪作响的音频，如上面的示例所示。解决方案是做 TextAloud 所做的事情，即直接使用 SpeechLib COM 对象。

这是通过添加对 "Microsoft Speech Object Library (5.4)" 的 COM 引用来完成的。这是我最终得到的代码片段，它生成与 TextAloud 质量相同的音频剪辑：

public new static byte[] GetSound(Order o)
{
    const SpeechVoiceSpeakFlags speechFlags = SpeechVoiceSpeakFlags.SVSFlagsAsync;
    var synth = new SpVoice();
    var wave = new SpMemoryStream();
    var voices = synth.GetVoices();
    try
    {
        // synth setup
        synth.Volume = Math.Max(1, Math.Min(100, o.Volume ?? 100));
        synth.Rate = Math.Max(-10, Math.Min(10, o.Rate ?? 0));
        foreach (SpObjectToken voice in voices)
        {
            if (voice.GetAttribute("Name") == o.Voice.Name)
            {
                synth.Voice = voice;
            }
        }
        wave.Format.Type = SpeechAudioFormatType.SAFT22kHz16BitMono;
        synth.AudioOutputStream = wave;
        synth.Speak(o.Text, speechFlags);
        synth.WaitUntilDone(Timeout.Infinite);

        var waveFormat = new WaveFormat(22050, 16, 1);
        using (var ms = new MemoryStream((byte[])wave.GetData()))
        using (var reader = new RawSourceWaveStream(ms, waveFormat))
        using (var outStream = new MemoryStream())
        using (var writer = new WaveFileWriter(outStream, waveFormat))
        {
            reader.CopyTo(writer);
            return o.Mp3 ? ConvertToMp3(outStream) : outStream.GetBuffer();
        }
    }
    finally
    {
        Marshal.ReleaseComObject(voices);
        Marshal.ReleaseComObject(wave);
        Marshal.ReleaseComObject(synth);
    }
}

这是将 wave 文件转换为 mp3 的代码。它使用来自 nuget 的 NAudio.Lame。

internal static byte[] ConvertToMp3(Stream wave)
{
    wave.Position = 0;
    using (var mp3 = new MemoryStream())
    using (var reader = new WaveFileReader(wave))
    using (var writer = new LameMP3FileWriter(mp3, reader.WaveFormat, 128))
    {
        reader.CopyTo(writer);
        mp3.Position = 0;
        return mp3.ToArray();
    }
}

Microsoft SpeechSynthesizer 在输出到文件和流时发出噼啪声

Microsoft SpeechSynthesizer crackles when outputting to files and streams

c#

audio

powershell

text-to-speech