共计 1993 个字符，预计需要花费 5 分钟才能阅读完成。

背景介绍

离线语音合成技术在当前无网络或隐私敏感场景下越来越重要。比如在工业控制系统中需要语音报警、教育软件需要本地朗读课文、或是智能设备需要响应语音反馈等场景。相比在线方案，离线合成具有三大优势：

• 隐私安全：语音数据无需上传云端
• 实时可靠：不受网络延迟影响
• 成本可控：无需支付 API 调用费用

技术选型对比

C# 生态中主要有三种主流方案：

1. System.Speech
2. 内置于.NET Framework
3. 支持基础 SSML 标记

4. 兼容性最好但功能较少

5. Windows.Media.SpeechSynthesis

6. UWP 专属方案
7. 支持更多语音包

8. 需要 Windows 10+

9. NAudio + 第三方引擎

10. 最灵活的方案
11. 可集成 eSpeak 等开源引擎
12. 需要额外依赖管理

对于新手入门，建议从 System.Speech 开始，后续有需求再迁移到其他方案。

核心实现

基础语音合成

using System.Speech.Synthesis;

// 初始化合成器
var synth = new SpeechSynthesizer();

// 设置基础属性
synth.SetOutputToDefaultAudioDevice();
synth.Rate = -2;  // 语速(-10 到 10)
synth.Volume = 85; // 音量(0-100)

// 同步合成语音
synth.Speak("欢迎使用离线语音合成系统");

// 释放资源
synth.Dispose();

异常处理要点

语音引擎可能因以下原因抛出异常：

• 未安装语音包
• 输出设备被占用
• 无效的 SSML 格式

推荐使用 try-catch 包裹关键操作：

try 
{using var synth = new SpeechSynthesizer();
    synth.Speak(text);
}
catch (Exception ex)
{Console.WriteLine($"合成失败: {ex.Message}");
    // 回退到蜂鸣提示
    Console.Beep();}

保存语音文件

var synth = new SpeechSynthesizer();

// 设置为 WAV 格式输出
synth.SetOutputToWaveFile("output.wav", 
    new SpeechAudioFormatInfo(32000, AudioBitsPerSample.Sixteen, AudioChannel.Mono));

// 异步合成（适合长文本）synth.SpeakAsync("正在保存语音内容");

// 监听完成事件
synth.SpeakCompleted += (s, e) => 
{synth.Dispose();
    Console.WriteLine("文件保存完成");
};

性能优化

内存管理

长时间运行的语音服务需要注意：

• 始终使用 using 语句或手动 Dispose()
• 避免频繁创建 / 销毁合成器实例
• 大文本建议分块处理

速度提升技巧

1. 预加载常用语音包
2. 对静态内容预生成音频缓存
3. 调整 AudioFormat 降低采样率

常见问题解决

语音包缺失

错误表现：InvalidOperationException: No voice installed

解决方案：

1. 打开控制面板 → 语音识别
2. 选择 ” 文本到语音 ” 选项卡
3. 安装中文 / 英文语音包

多语言切换

// 获取所有可用语音
foreach (var voice in synth.GetInstalledVoices())
{Console.WriteLine(voice.VoiceInfo.Culture);
}

// 设置中文语音
synth.SelectVoiceByHints(VoiceGender.Female, VoiceAge.Adult, 0, 
    new System.Globalization.CultureInfo("zh-CN"));

进阶开发

自定义 SSML

通过 XML 标记实现精细控制：

<speak version="1.0" xmlns="..." xml:lang="zh-CN">
  <prosody rate="slow"> 慢速朗读 </prosody>
  <break time="500ms"/>
  <emphasis level="strong"> 重点强调 </emphasis>
</speak>

音调调整

// 使用 SSMLBuilder 简化构建
var ssml = new StringBuilder();
ssml.Append("<prosody pitch="high"> 高音调 </prosody>");
synth.SpeakSsml(ssml.ToString());

实践建议

1. 尝试用不同语速 (rate) 朗读同一段文本
2. 混合使用中英文语音包
3. 测试大文本 (1000 字 +) 的内存占用情况
4. 比较 WAV/MP3 格式的输出质量差异

通过本文介绍的方法，你应该已经掌握了 C# 离线语音合成的基础实现。在实际项目中，建议先从简单报警提示开始，逐步扩展到复杂交互场景。如果遇到性能瓶颈，可以考虑引入队列机制或改用 NAudio 方案获得更多控制权。