有没有办法在 Windows 语音合成器说话时显示音频波？

Posted 2023-02-25

【中文标题】有没有办法在 Windows 语音合成器说话时显示音频波？

【英文标题】：Is there a way to display an audio wave as Windows Speech Synthesizer speaks?

【发布时间】：2015-09-18 22:29:35

【问题描述】：

我正在制作一个使用 Windows 语音识别来监听命令的程序，并且我正在使用语音合成器来提供实时反馈。我想知道是否可以使用合成器的结果来创建音频波（类似于您在录制声音时在 Audacity 中看到的），随着合成器的继续进行实时显示说话。我试图给出能够“看到”节目谈话的效果，而不仅仅是听到它。我不知道从哪里开始，任何建议/帮助将不胜感激。

【问题讨论】：

要回答这个问题需要教程或书籍或非常长的答案，这在此处都是题外话。您已经使用了哪些概念？你使用图书馆吗？使用设备/驱动程序有多熟悉？您使用哪个 Microsoft API 进行语音合成？我曾经使用过 MSSAPI，例如保存 WAV 文件而不是说话。然后您可以播放和显示 WAV 文件。也许今天有更好的方法，所以让人们知道您正在使用什么以及您已经尝试过什么。

【参考方案1】：

在 Windows Vista 上，您可以通过以下方式捕获当前音频会话的音频缓冲区：

WASAPI

现在 WASAPI 不太适合被托管应用程序调用。您可能需要 PInvoke 功能。但你很幸运！有一个包含该 API 的托管库：

CSCore

它提供了许多有用的对象来播放音频缓冲区和流。您可以通过nuget

将包加载到您的项目中

要创建用于捕获 live 音频缓冲区的 Stream，您需要执行以下操作：

            using (WasapiCapture capture = new WasapiLoopbackCapture())                     
                capture.Initialize();                    
                using(MemoryStream mstr = new MemoryStream())
                using (WaveWriter wvWriter = new WaveWriter(mstr, capture.WaveFormat))  
                     capture.DataAvailable += 
                           (object sender, DataAvailableEventArgs e) =>                                     
                                wvWriter.Write(e.Data, e.Offset, e.ByteCount);
                                // Do some stuff with that Data!
                           
                
            

要了解如何创建一个WaveForm，您可能需要查看一些教程。 （提示：询问 Google）

为了让您顺利上路，请查看此*** question 或此CodeProject article

---

另请注意，大多数教程都涵盖了如何创建标准 44.1 kHz 16 位立体声 PCM 音频格式的波形。 Windows 喜欢将其音频缓冲为 88 kHz 32 位 IEEE_FLOAT 立体声 PCM 音频格式。这意味着您将每秒处理 88,000 个 32 位样本，这些样本对应于 2 个通道，float 的值范围从 0.0 到 1.0。 （而不是 -32k 到 +32k integer 值）

Windows 在内部这样做，因为浮点样本更适合混合不同的音频源。