Вопрос Проблема с аудиоформатом SpeechSynthesizer.SetOutputToAudioStream

В настоящее время я работаю над приложением, которое требует передачи речи, закодированной в определенный аудиоформат.

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

Это означает, что звук находится в формате PCM, 8000 выборок в секунду, 16 бит на выборку, моно, 16000 средних байтов в секунду, выравнивание блоков - 2.

Когда я пытаюсь выполнить следующий код, в мой экземпляр MemoryStream ничего не записывается; однако, когда я перехожу с 8000 выборок в секунду до 11025, аудиоданные записываются успешно.

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(); 

При использовании частоты дискретизации 8000 не было зарегистрировано никаких исключений или ошибок, и я не смог найти ничего полезного в документации, касающейся SetOutputToAudioStream и почему он работает со скоростью 11025 выборок в секунду, а не 8000. У меня есть обходной путь, связанный с файлом wav, который я сгенерированы и преобразованы в правильную частоту дискретизации с помощью некоторых инструментов редактирования звука, но я хотел бы сгенерировать звук из приложения, если смогу.

Особый интерес вызывает то, что SpeechRecognitionEngine принимает этот аудиоформат и успешно распознает речь в моем синтезированном волновом файле ...

Обновление: недавно обнаружено, что этот аудиоформат подходит для некоторых установленных голосов, но не работает для других. Он не работает специально для LH Michael и LH Michelle, и сбой зависит от определенных параметров голоса, определенных в PromptBuilder.

Стоит ли изучать PHP в 2026-2027 годах?
Стоит ли изучать PHP в 2026-2027 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
5
0
7 183
3
Перейти к ответу Данный вопрос помечен как решенный

Ответы 3

Я создал несколько классов в моей библиотеке NAudio, чтобы вы могли конвертировать ваши аудиоданные с другой частотой дискретизации, если вы застряли на 11025 от синтезатора. Взгляните на WaveFormatConversionStream (который использует ACM) или ResamplerDMO (использует объект DirectX Media)

Извините, если я вас перебью, похоже, вы эксперт в аудиофайлах, у меня есть этот вопрос, который меня смутил, не могли бы вы мне помочь?

Ahmad 09.12.2015 22:35
Ответ принят как подходящий

Вполне возможно, что голоса LH Michael и LH Michelle просто не поддерживают частоту дискретизации 8000 Гц (потому что они по своей сути генерируют образцы> 8000 Гц). SAPI позволяет двигателям отклонять неподдерживаемые ставки.

У меня была аналогичная проблема, и я хотел опубликовать ответ, если это кому-то поможет. Эта ветка подтолкнула меня к поиску ответа. Моя проблема заключалась в том, что у меня был вывод SpeechSynthesizer в файл WAV, а затем я воспроизводил этот файл WAV с помощью NAudio. При выводе в файл он работал без изменений. Однако при попытке использовать MemoryStream он воспроизводился, но так быстро, что вы слышали только писк.

Этот код для вывода SpeechSynthesizer устранил проблему, и никаких изменений на стороне NAudio не требуется:

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

88200 - ключ к успеху. По умолчанию это 11025. Все, что нужно, - это создать SpeechAudioFormatInfo и установить для него значение 88200.

Другие вопросы по теме