C# 离线语音合成实战：System.Speech 与 NAudio 的深度整合方案

1次阅读

共计 1626 个字符，预计需要花费 5 分钟才能阅读完成。

在工业设备告警、车载导航等无网络环境下， 离线语音合成 （TTS）的稳定性和实时性直接影响用户体验。System.Speech 作为.NET 原生组件，存在三个致命缺陷：

采样率僵化 ：强制输出 44.1kHz 音频，导致与多数硬件设备不兼容
内存泄漏 ：连续合成时未释放的 COM 对象可能积累到 200MB 以上
缺乏流控制 ：同步合成模式会阻塞 UI 线程 0.5- 2 秒（实测数据）

技术方案	离线支持	延迟 (ms)	CPU 占用	采样率可调
System.Speech	✔	300-2000	中	✘
Windows.Media.Speech	✘	100-500	低	✘
NAudio+System.Speech	✔	50-300	中高	✔

// 初始化语音引擎
using var synth = new SpeechSynthesizer();
using var pcmStream = new MemoryStream();

// 关键步骤：输出到原始 PCM 流
synth.SetOutputToAudioStream(
    pcmStream, 
    new SpeechAudioFormatInfo(48000, AudioBitsPerSample.Sixteen, AudioChannel.Mono)
);

// 合成 SSML 内容（支持音调 / 语速控制）synth.SpeakSsml("<prosody rate='slow'> 警告：温度超标 </prosody>");

// 创建环形缓冲区（解决内存碎片）var circularBuffer = new CircularBuffer(1024 * 1024);

// 使用 WaveFormatConversionStream 转换采样率
using var sourceStream = new RawSourceWaveStream(
    pcmStream, 
    new WaveFormat(48000, 16, 1)
);
using var conversionStream = new WaveFormatConversionStream(new WaveFormat(16000, 16, 1), 
    sourceStream
);

// 写入环形缓冲区
byte[] buffer = new byte[4096];
int bytesRead;
while ((bytesRead = conversionStream.Read(buffer, 0, buffer.Length)) > 0)
{circularBuffer.Write(buffer, 0, bytesRead);
}

通过实测发现：

8kHz/8kbps 设置时 CPU 占用约 12%
16kHz/16kbps 时 CPU 占用升至 25%
推荐工业场景使用 11kHz/12kbps 折中方案

ThreadPool.QueueUserWorkItem(_ => 
{
    try 
    {
        // 合成代码（前述 PCM 生成逻辑）var audioData = GeneratePcm("语音内容");

        // 通过事件通知 UI 线程
        AudioGenerated?.Invoke(this, audioData);
    }
    catch (COMException ex) when (ex.HResult == 0x8004503A)
    {
        // 处理语音引擎初始化失败
        Log.Error("语音组件加载失败", ex);
    }
});