C#语音合成实战：从System.Speech到NAudio的完整实现指南

1次阅读

共计 3221 个字符，预计需要花费 9 分钟才能阅读完成。

语音合成（Text-To-Speech, TTS）的核心是通过算法将文本转换为人类可理解的语音。目前主流技术分为两种：

参数合成：通过数学模型模拟声带振动（如 Formant 合成），优点是体积小但自然度较低
波形拼接：基于预录制的语音片段组合，微软的 SAPI5 引擎就采用这种技术

典型应用场景包括：

智能客服系统的语音应答
电子书朗读功能
工业设备的语音告警
无障碍阅读辅助工具

// 需添加 System.Speech 程序集引用
using System.Speech.Synthesis;

var synth = new SpeechSynthesizer();
synth.SetOutputToDefaultAudioDevice();
synth.SelectVoiceByHints(VoiceGender.Female, VoiceAge.Adult);
synth.Speak("欢迎使用语音合成系统");

优点：

开箱即用，Windows 系统自带支持
无需额外依赖项

局限：

仅支持 Windows 平台
语音样式选择有限

// 需安装 NAudio 和 Windows.Media.SpeechSynthesis NuGet 包
using Windows.Media.SpeechSynthesis;
using NAudio.Wave;

async Task SynthesizeToFileAsync(string text, string filePath)
{var synth = new SpeechSynthesizer();
    var stream = await synth.SynthesizeTextToStreamAsync(text);

    using (var reader = new RawSourceWaveStream(stream.AsStream(), 
        new WaveFormat(44100, 16, 1)))
    {WaveFileWriter.CreateWaveFile(filePath, reader);
    }
}

优势：

支持音频流精细控制
可跨平台使用（需搭配 UWP）
采样率等参数可定制

以 Azure Cognitive Services 为例：

// 需安装 Microsoft.CognitiveServices.Speech NuGet 包
var config = SpeechConfig.FromSubscription("YOUR_KEY", "eastus");
using var synthesizer = new SpeechSynthesizer(config);
var result = await synthesizer.SpeakTextAsync(text);

适用场景：

需要多语种支持
对自然度要求高的场景
无本地语音引擎的 Linux/Mac 环境

// 异步合成带事件回调
var synth = new SpeechSynthesizer();
synth.SpeakStarted += (s,e) => Console.WriteLine("开始播放");
synth.SpeakCompleted += (s,e) => Console.WriteLine("播放结束");

// 语音样式选择（需安装对应语音包）foreach (var voice in synth.GetInstalledVoices())
{Console.WriteLine(voice.VoiceInfo.Name);
}

// 使用 SSML 增强控制
string ssml = @"<speak version='1.0'xmlns='http://www.w3.org/2001/10/synthesis'xml:lang='zh-CN'><prosody rate='fast'> 加速语音 </prosody></speak>";
synth.SpeakSsml(ssml);

// PCM 格式转换示例
void ConvertToMono(string inputPath, string outputPath)
{using (var reader = new WaveFileReader(inputPath))
    {var monoStream = new StereoToMonoProvider16(reader);
        WaveFileWriter.CreateWaveFile(outputPath, monoStream);
    }
}

// 实时播放控制
void PlayWithVolumeControl(string filePath)
{using (var waveOut = new WaveOutEvent())
    using (var wfr = new WaveFileReader(filePath))
    {waveOut.Init(wfr);
        waveOut.Play();

        // 音量调节（0-1）while(waveOut.PlaybackState == PlaybackState.Playing)
        {waveOut.Volume = float.Parse(Console.ReadLine());
        }
    }
}

// 使用线程池管理合成任务
SemaphoreSlim semaphore = new SemaphoreSlim(Environment.ProcessorCount);

async Task ConcurrentSynthesis(List<string> texts)
{
    var tasks = texts.Select(async text => 
    {await semaphore.WaitAsync();
        try 
        {using (var synth = new SpeechSynthesizer())
            {await synth.SpeakSsmlAsync(text);
            }
        }
        finally {semaphore.Release(); }
    });

    await Task.WhenAll(tasks);
}