Czy ustawienia SpeakProgressEventArgs w SpeechSynthesizer są niedokładne?

Question

Korzystanie z klasy System.Speech.Synthesis.SpeechSynthesizer w .Net 3.5, właściwość AudioPosition programu SpeakProgressEventArgs wydaje się być niedokładna.

Poniższy kod daje następujący wynik:

Kod:

using System; 
using System.Speech.Synthesis; 
using System.Threading; 

namespace SpeechTest 
{ 
    class Program 
    { 
     static ManualResetEvent speechDoneEvent = new ManualResetEvent(false); 

     static void Main(string[] args) 
     { 
      SpeechSynthesizer synthesizer = new SpeechSynthesizer(); 

      synthesizer.SpeakProgress += new EventHandler<SpeakProgressEventArgs>(synthesizer_SpeakProgress); 

      synthesizer.SpeakCompleted += new EventHandler<SpeakCompletedEventArgs>(synthesizer_SpeakCompleted); 

      synthesizer.SetOutputToWaveFile("Test.wav"); 

      synthesizer.SpeakAsync("This holiday season, support the music you love by shopping at Made in Washington, online and at one of five local stores. Made in Washington chocolates, bountiful gift baskets and ornaments are the perfect holiday gifts for family, friends and co-workers."); 

      speechDoneEvent.WaitOne(); 
     } 

     static void synthesizer_SpeakCompleted(object sender, SpeakCompletedEventArgs e) 
     { 
      speechDoneEvent.Set(); 
     } 

     static void synthesizer_SpeakProgress(object sender, SpeakProgressEventArgs e) 
     { 
      Console.WriteLine("SpeakProgress: AudioPosition=" + e.AudioPosition + ",\tCharacterPosition=" + e.CharacterPosition + ",\tCharacterCount=" + e.CharacterCount + ",\tText=" + e.Text); 
     } 
    } 
} 

wyjściowa:

SpeakProgress: AudioPosition=00:00:00.0043750, CharacterPosition=0, CharacterCount=4,  Text=This 
SpeakProgress: AudioPosition=00:00:00.2925625, CharacterPosition=5, CharacterCount=7,  Text=holiday 
SpeakProgress: AudioPosition=00:00:00.9086250, CharacterPosition=13, CharacterCount=6,  Text=season 
SpeakProgress: AudioPosition=00:00:01.9421250, CharacterPosition=21, CharacterCount=7,  Text=support 
SpeakProgress: AudioPosition=00:00:02.5621250, CharacterPosition=29, CharacterCount=3,  Text=the 
SpeakProgress: AudioPosition=00:00:02.6760625, CharacterPosition=33, CharacterCount=5,  Text=music 
SpeakProgress: AudioPosition=00:00:03.2648125, CharacterPosition=39, CharacterCount=3,  Text=you 
SpeakProgress: AudioPosition=00:00:03.5199375, CharacterPosition=43, CharacterCount=4,  Text=love 
SpeakProgress: AudioPosition=00:00:03.8435625, CharacterPosition=48, CharacterCount=2,  Text=by 
SpeakProgress: AudioPosition=00:00:04.0701875, CharacterPosition=51, CharacterCount=8,  Text=shopping 
SpeakProgress: AudioPosition=00:00:04.6840625, CharacterPosition=60, CharacterCount=2,  Text=at 
SpeakProgress: AudioPosition=00:00:04.8036250, CharacterPosition=63, CharacterCount=4,  Text=Made 
SpeakProgress: AudioPosition=00:00:05.0698125, CharacterPosition=68, CharacterCount=2,  Text=in 
SpeakProgress: AudioPosition=00:00:05.2521250, CharacterPosition=71, CharacterCount=10,  Text=Washington 
SpeakProgress: AudioPosition=00:00:06.2961875, CharacterPosition=83, CharacterCount=6,  Text=online 
SpeakProgress: AudioPosition=00:00:07.0540625, CharacterPosition=90, CharacterCount=3,  Text=and 
SpeakProgress: AudioPosition=00:00:07.3331250, CharacterPosition=94, CharacterCount=2,  Text=at 
SpeakProgress: AudioPosition=00:00:07.6818750, CharacterPosition=97, CharacterCount=3,  Text=one 
SpeakProgress: AudioPosition=00:00:08.0598750, CharacterPosition=101, CharacterCount=2,  Text=of 
SpeakProgress: AudioPosition=00:00:08.2163750, CharacterPosition=104, CharacterCount=4,  Text=five 
SpeakProgress: AudioPosition=00:00:08.5971875, CharacterPosition=109, CharacterCount=5,  Text=local 
SpeakProgress: AudioPosition=00:00:09.0243750, CharacterPosition=115, CharacterCount=6,  Text=stores 
SpeakProgress: AudioPosition=00:00:10.5325625, CharacterPosition=123, CharacterCount=4,  Text=Made 
SpeakProgress: AudioPosition=00:00:10.7700625, CharacterPosition=128, CharacterCount=2,  Text=in 
SpeakProgress: AudioPosition=00:00:10.9377500, CharacterPosition=131, CharacterCount=10,  Text=Washington 
SpeakProgress: AudioPosition=00:00:11.6708125, CharacterPosition=142, CharacterCount=10,  Text=chocolates 
SpeakProgress: AudioPosition=00:00:12.9798750, CharacterPosition=154, CharacterCount=9,  Text=bountiful 
SpeakProgress: AudioPosition=00:00:13.6303125, CharacterPosition=164, CharacterCount=4,  Text=gift 
SpeakProgress: AudioPosition=00:00:14.0959375, CharacterPosition=169, CharacterCount=7,  Text=baskets 
SpeakProgress: AudioPosition=00:00:14.7848125, CharacterPosition=177, CharacterCount=3,  Text=and 
SpeakProgress: AudioPosition=00:00:15.0507500, CharacterPosition=181, CharacterCount=9,  Text=ornaments 
SpeakProgress: AudioPosition=00:00:15.7195000, CharacterPosition=191, CharacterCount=3,  Text=are 
SpeakProgress: AudioPosition=00:00:15.9872500, CharacterPosition=195, CharacterCount=3,  Text=the 
SpeakProgress: AudioPosition=00:00:16.1488750, CharacterPosition=199, CharacterCount=7,  Text=perfect 
SpeakProgress: AudioPosition=00:00:16.7275000, CharacterPosition=207, CharacterCount=7,  Text=holiday 
SpeakProgress: AudioPosition=00:00:17.3336875, CharacterPosition=215, CharacterCount=5,  Text=gifts 
SpeakProgress: AudioPosition=00:00:17.9813125, CharacterPosition=221, CharacterCount=3,  Text=for 
SpeakProgress: AudioPosition=00:00:18.2216875, CharacterPosition=225, CharacterCount=6,  Text=family 
SpeakProgress: AudioPosition=00:00:19.0973750, CharacterPosition=233, CharacterCount=7,  Text=friends 
SpeakProgress: AudioPosition=00:00:19.7726250, CharacterPosition=241, CharacterCount=3,  Text=and 
SpeakProgress: AudioPosition=00:00:19.9655625, CharacterPosition=245, CharacterCount=10,  Text=co-workers 
SpeakProgress: AudioPosition=00:00:20.2518750, CharacterPosition=245, CharacterCount=10,  Text=co-workers 

Jednak czas trwania pliku .wav produkowanych jest 15.69 sekund. To samo zachowanie występuje, jeśli wyjście do strumienia lub null.

Dla tej właściwości właściwość mówi, że właściwość to "Obiekt TimeSpan, który reprezentuje pozycję czasową zdarzenia w strumieniu wyjściowym audio".

Czy powinien to być dokładny czas wskazujący godzinę rozpoczęcia lub zakończenia wypowiedzi w pliku wyjściowym, czy też błędnie ją interpretuję?

Answer 1

the zależy od wybranego głosu syntezatora mowy. W przypadku niektórych głosów Microsoftu, takich jak Anna, Zira, David, Hazel, tak jak ja doświadczyłem, obsługiwany format audio to PCM 16000Hz. Więc następujące rozwiązanie może poprawić pozycję auido:

var format = 
new System.Speech.AudioFormat.SpeechAudioFormatInfo(EncodingFormat.Pcm, 
                16000, 16, 1, 32000, 2, null); 
synthesizer.SetOutputToWaveFile("Test.wav", format); 

jeśli pamiętać, że domyślna częstotliwość próbkowania z SetOutputToWaveFile jest 22050, a stosunek odpowiednim czasie (15.69) do czasu wskazywanego przez AudipPosition (20.25) wynosi około 0,77. Jeśli pomnożysz ten stosunek przez 22050, otrzymasz około 16000, co jest poprawną częstością próbkowania.