C# 离线语音合成实战：System.Speech 与 Windows.Media 技术选型与避坑指南

共计 1726 个字符，预计需要花费 5 分钟才能阅读完成。

背景痛点

在工业控制、教育硬件等场景中，离线语音合成是刚需。例如，工业设备需要在无网络环境下提供语音提示，教育硬件需要在偏远地区进行语音教学。传统的网络依赖型方案（如 Azure Cognitive Services）存在以下局限性：

• 网络依赖 ：无法在无网络环境下使用
• 延迟问题 ：网络请求会增加语音合成的延迟
• 成本问题 ：频繁的网络请求会增加使用成本

技术对比

以下是 System.Speech 和 Windows.Media 两大方案的对比：

核心实现

基础合成

使用 SpeechSynthesizer 类实现基础语音合成：

using System.Speech.Synthesis;

var synthesizer = new SpeechSynthesizer();
synthesizer.SetOutputToDefaultAudioDevice();
synthesizer.Speak("Hello, world!");

SSML 控制语速和语调

SSML（Speech Synthesis Markup Language）可以精确控制语音的语速和语调：

var ssml = @"<speak version='1.0'xmlns='http://www.w3.org/2001/10/synthesis'xml:lang='en-US'>
    <prosody rate='fast' pitch='high'>Hello, world!</prosody>
</speak>";

synthesizer.SpeakSsml(ssml);

异步合成与线程调度

在异步合成时，需要注意 await 和 Dispatcher 的线程调度问题：

await Task.Run(() => synthesizer.Speak("Hello, world!"));

性能优化

预加载语音引擎

预加载语音引擎可以减少冷启动耗时：

var synthesizer = new SpeechSynthesizer();
synthesizer.SelectVoice("Microsoft David Desktop");
synthesizer.SetOutputToDefaultAudioDevice();

使用 MemoryStream 缓存结果

使用 MemoryStream 缓存合成结果，避免重复合成：

var stream = new MemoryStream();
synthesizer.SetOutputToWaveStream(stream);
synthesizer.Speak("Hello, world!");

避免频繁实例化 Synthesizer 对象

频繁实例化 Synthesizer 对象会导致性能下降，建议复用对象：

private static readonly SpeechSynthesizer Synthesizer = new SpeechSynthesizer();

避坑指南

Windows 11 语音引擎权限申请

在 Windows 11 中，需要申请麦克风权限：

<PackageCapabilities>
    <Capability Name="microphone" />
</PackageCapabilities>

非英语语系下的发音异常

非英语语系下可能出现发音异常，可以通过指定语音引擎解决：

synthesizer.SelectVoiceByHints(VoiceGender.Female, VoiceAge.Adult, 0, new CultureInfo("fr-FR"));

处理 SynthesizerStateChanged 事件

处理 SynthesizerStateChanged 事件可以更好地控制语音合成状态：

synthesizer.StateChanged += (sender, e) =>
{Console.WriteLine($"State changed to {e.State}");
};

结语

通过本文的介绍，你应该已经掌握了 C# 离线语音合成的核心技术。如果你需要进一步学习，可以参考 GitHub 示例项目 。