C#语音合成实战：从System.Speech到Azure Cognitive Services的技术选型与实现

1次阅读

共计 2581 个字符，预计需要花费 7 分钟才能阅读完成。

在 C# 项目中集成语音合成功能时，开发者常遇到以下几个典型问题：

跨平台兼容性差：System.Speech 作为 Windows 原生组件，在 Linux/macOS 上完全不可用，NAudio 虽能跨平台但需要额外安装语音引擎
线程阻塞风险：同步语音合成会阻塞 UI 线程，导致界面卡顿，尤其在长时间文本合成时更为明显
语音质量不稳定：本地引擎的发音人选择有限，且容易出现断句不自然的问题
资源占用高：多个并发请求时 CPU 和内存占用飙升，缺乏有效的流量控制机制

方案	跨平台支持	最大 QPS	平均延迟	成本模型	发音人质量
System.Speech	×	10	200ms	免费	一般
NAudio+ 第三方引擎	√	30	150ms	引擎授权费	中等
Azure TTS	√	1000+	80ms	按字符量计费	优秀

using Microsoft.CognitiveServices.Speech;
using Microsoft.CognitiveServices.Speech.Audio;

public class SpeechSynthesizerWrapper : IDisposable
{
    private SpeechSynthesizer _synthesizer;

    public async Task<byte[]> SynthesizeAsync(string text)
    {var config = SpeechConfig.FromSubscription("YOUR_KEY", "eastus");
        using var audioOutput = AudioConfig.FromStreamOutput(new MemoryStream());
        _synthesizer = new SpeechSynthesizer(config, audioOutput);

        try 
        {var result = await _synthesizer.SynthesizeSsmlAsync(text);
            return result.AudioData;
        }
        finally 
        {_synthesizer.Dispose();
        }
    }

    public void Dispose() => _synthesizer?.Dispose();
}

public class AudioBufferManager
{private ConcurrentQueue<byte[]> _bufferQueue = new();

    public void AddChunk(byte[] audioChunk)
    {_bufferQueue.Enqueue(audioChunk);
    }

    public MemoryStream GetFullStream()
    {var ms = new MemoryStream();
        while(_bufferQueue.TryDequeue(out var chunk))
        {ms.Write(chunk, 0, chunk.Length);
        }
        ms.Position = 0;
        return ms;
    }
}

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
  <voice name="en-US-JennyNeural">
    <prosody rate="+10%" pitch="+5%">
      This text will be spoken with customized speed and pitch
    </prosody>
    <break time="500ms"/>
    <emphasis level="strong">Important part</emphasis>
  </voice>
</speak>

public class SpeechSynthesizerPool
{private ConcurrentBag<SpeechSynthesizer> _pool = new();

    public SpeechSynthesizer Get()
    {if(_pool.TryTake(out var synthesizer))
            return synthesizer;

        return CreateNew();}

    public void Return(SpeechSynthesizer synthesizer)
    {_pool.Add(synthesizer);
    }
}

var retryPolicy = Policy
    .Handle<Exception>()
    .WaitAndRetryAsync(3, retryAttempt => 
        TimeSpan.FromSeconds(Math.Pow(2, retryAttempt)));

await retryPolicy.ExecuteAsync(async () => 
{await synthesizer.SynthesizeAsync(text);
});

Windows Server Core 问题 ：安装Microsoft Visual C++ Redistributable 和Media Foundation组件
采样率保持：确保输出音频格式与目标设备匹配，推荐使用 16kHz 采样率
SSML 安全过滤：

public string SanitizeSsml(string input)
{var doc = new XmlDocument();
    doc.LoadXml("<root>" + input + "</root>");

    // 移除危险标签
    var nodes = doc.SelectNodes("//script|//object");
    foreach(XmlNode node in nodes)
    {node.ParentNode.RemoveChild(node);
    }

    return doc.DocumentElement.InnerXml;
}

在 4 核 8G 的 Azure Standard B4ms 实例上测试结果：