Как я могу найти аудиоформат выбранного голоса SpeechSynthesizer

Обновление: этот ответ был изменен после расследования. Первоначально я предполагал по памяти, что SupportedAudioFormats, скорее всего, просто из (возможно, неправильно настроенных) данных реестра; расследование показало, что для меня в Windows 7 это определенно так, и в Windows 8 выполняется тщательное резервное копирование.

Проблемы с поддерживаемыми аудиоформатами

System.Speech является оболочкой почтенного COM-речевого API (SAPI), а некоторые голоса имеют 32-битный и 64-битный формат или могут быть неправильно сконфигурированы (в реестре 64-битной машины HKLM/Software/Microsoft/Speech/Voices против HKLM/Software/Wow6432Node/Microsoft/Speech/Voices.

Я указал ILSpy на System.Speech и его VoiceInfo класс, и я почти убежден, что SupportedAudioFormats исходит исключительно из данных реестра, поэтому при перечислении SupportedAudioFormats можно получить нулевые результаты, если любой из ваших движков TTS не зарегистрирован должным образом для вашего приложения. Целевая платформа (x86, Any или 64 bit), или если поставщик просто не предоставляет эту информацию в реестре.

Голоса могут по-прежнему поддерживать другие, дополнительные или меньшее количество форматов, поскольку это зависит от механизма речи (кода), а не реестра (данных). Так что это может быть выстрел в темноте. Стандартные голоса Windows часто в этом отношении в разы более последовательны, чем голоса третьих лиц, но они все равно не обязательно обеспечивают SupportedAudioFormats.

Трудный путь поиска этой информации

Я обнаружил, что все еще можно получить текущий формат текущего голоса, но это зависит от отражения для доступа к внутренним компонентам оболочек SAPI System.Speech.

Следовательно, это довольно хрупкий код! И я бы не рекомендовал использовать в продакшене.

Примечание. Приведенный ниже код требует, чтобы вы один раз вызывали Speak () для настройки; для принудительной установки без Speak () потребуется больше вызовов. Однако я могу позвонить Speak(""), чтобы ничего не сказать, и это прекрасно работает.

Выполнение:

[StructLayout(LayoutKind.Sequential)]
struct WAVEFORMATEX
{
    public ushort wFormatTag;
    public ushort nChannels;
    public uint nSamplesPerSec;
    public uint nAvgBytesPerSec;
    public ushort nBlockAlign;
    public ushort wBitsPerSample;
    public ushort cbSize;
}

WAVEFORMATEX GetCurrentWaveFormat(SpeechSynthesizer synthesizer)
{
    var voiceSynthesis = synthesizer.GetType()
                                    .GetProperty("VoiceSynthesizer", BindingFlags.Instance | BindingFlags.NonPublic)
                                    .GetValue(synthesizer, null);

    var ttsVoice = voiceSynthesis.GetType()
                                 .GetMethod("CurrentVoice", BindingFlags.Instance | BindingFlags.NonPublic)
                                 .Invoke(voiceSynthesis, new object[] { false });

    var waveFormat = (byte[])ttsVoice.GetType()
                                     .GetField("_waveFormat", BindingFlags.Instance | BindingFlags.NonPublic)
                                     .GetValue(ttsVoice);

    var pin = GCHandle.Alloc(waveFormat, GCHandleType.Pinned);
    var format = (WAVEFORMATEX)Marshal.PtrToStructure(pin.AddrOfPinnedObject(), typeof(WAVEFORMATEX));
    pin.Free();

    return format;
}

Использование:

SpeechSynthesizer s = new SpeechSynthesizer();
s.Speak("Hello");
var format = GetCurrentWaveFormat(s);
Debug.WriteLine($"{s.Voice.SupportedAudioFormats.Count} formats are claimed as supported.");
Debug.WriteLine($"Actual format: {format.nChannels} channel {format.nSamplesPerSec} Hz {format.wBitsPerSample} audio");

Чтобы проверить это, я переименовал раздел реестра Microsoft Anna AudioFormats в HKLM/Software/Wow6432Node/Microsoft/Speech/Voices/Tokens/MS-Anna-1033-20-Dsk/Attributes, в результате чего SpeechSynthesizer.Voice.SupportedAudioFormats не содержал никаких элементов при запросе. Ниже приведен результат в этой ситуации:

0 formats are claimed as supported.
Actual format: 1 channel 16000 Hz 16 audio

Вы не можете получить эту информацию из кода. Вы можете только слушать все форматы (от плохого формата, например, 8 кГц до высококачественного, например, 48 кГц), и наблюдать, где он перестает улучшаться, что, я думаю, вы и сделали.

Внутренне речевой механизм «запрашивает» у голоса исходный аудиоформат только один раз, и я считаю, что это значение используется только внутренне речевым механизмом, и речевой механизм никаким образом не раскрывает это значение.

Для дополнительной информации:

Допустим, вы голосовая компания. Вы записали свой компьютерный голос с частотой 16 кГц, 16 бит, моно.

Пользователь может позволить вашему голосу говорить на 48 кГц, 32 бит, стерео. Речевой движок выполняет это преобразование. Речевому движку все равно, действительно ли он звучит лучше, он просто выполняет преобразование формата.

Допустим, пользователь хочет, чтобы ваш голос что-то говорил. Он просит сохранить файл как 48 кГц, 16 бит, стерео.

SAPI / System.Speech вызывает ваш голос с помощью этого метода:

STDMETHODIMP SpeechEngine::GetOutputFormat(const GUID * pTargetFormatId, const WAVEFORMATEX * pTargetWaveFormatEx,
GUID * pDesiredFormatId, WAVEFORMATEX ** ppCoMemDesiredWaveFormatEx)
{
    HRESULT hr = S_OK;

    //Here we need to return which format our audio data will be that we pass to the speech engine.
    //Our format (16 kHz, 16 bit, mono) will be converted to the format that the user requested. This will be done by the SAPI engine.

    enum SPSTREAMFORMAT sample_rate_at_which_this_voice_was_recorded = SPSF_16kHz16BitMono; //Here you tell the speech engine which format the data has that you will pass back. This way the engine knows if it should upsample you voice data or downsample to match the format that the user requested.

    hr = SpConvertStreamFormatEnum(sample_rate_at_which_this_voice_was_recorded, pDesiredFormatId, ppCoMemDesiredWaveFormatEx);

    return hr;
}

Это единственное место, где нужно «раскрыть», в каком формате записан ваш голос.

Все «Доступные форматы» скорее сообщают вам, какие преобразования может выполнять ваша звуковая карта / Windows.

Надеюсь, я хорошо это объяснил? Как поставщик голосовых услуг вы не поддерживаете никакие форматы. Вы просто говорите речевому механизму, в каком формате находятся ваши аудиоданные, чтобы он мог выполнять дальнейшие преобразования.