通过 ISpTTSEngine 与 ISpVoice 通话

Question

我正在为 Microsoft Speech API (SAPI) 实现 ISpTTSEngine。我想要 这个声音就像典型的 TTS 声音一样进行报读。而不是写我的 自己的语音合成器，我想委托给内置的 ISpVoice。

我已经编写了足够的代码来听到文本发声，但它有一个重大缺陷 我无法解释：演讲直到我发言之后才开始

ISpTTSEngine:Speak

的实施已返回。在此期间 声音输出，我的

ISpTTSEngine:Speak

实现没有被调用，甚至 当使用 TTS 语音的软件发送请求时。

（上下文：我这个项目的目标是以编程方式观察其他片段的语音数据 的软件正在尝试发声。该部分似乎正在工作 有意。）

完整源码可用 在这里。 我会尝试 用最相关的部分进行总结。

我的

ISpTTSEngine

实现有一个名为

m_cpVoice

：

class ATL_NO_VTABLE CTTSEngObj :
    public CComObjectRootEx<CComMultiThreadModel>,
    public CComCoClass<CTTSEngObj, &CLSID_SampleTTSEngine>,
    public ISpTTSEngine,
    public ISpObjectWithToken
{
  // ...
  private:
    CComPtr<ISpVoice> m_cpVoice;

并且 它在

FinalConstruct

中初始化 方法：

HRESULT CTTSEngObj::FinalConstruct()
{
    HRESULT hr = S_OK;

    // ...

    hr = m_cpVoice.CoCreateInstance(CLSID_SpVoice);

我的实现

ISpTTSEngine:Speak

迭代文本片段 收到 并将文本数据传递给 ISpVoice::Speak

方法

：

STDMETHODIMP CTTSEngObj::Speak(DWORD dwSpeakFlags,
    REFGUID rguidFormatId,
    const WAVEFORMATEX* pWaveFormatEx,
    const SPVTEXTFRAG* pTextFragList,
    ISpTTSEngineSite* pOutputSite)
{
    // ...

    for (const SPVTEXTFRAG* textFrag = pTextFragList; textFrag != NULL; textFrag = textFrag->pNext)
    {

        // ...

        const std::wstring& text = textFrag->pTextStart;
        hr = m_cpVoice->Speak(text.substr(0, textFrag->ulTextLen).c_str(), dwSpeakFlags | SPF_ASYNC | SPF_PURGEBEFORESPEAK, 0);

如上所述，直到

ISpTTSEngine:Speak

之后才发出音频
返回。任意的 sleep 语句最清楚地证明了这一点。轮询
ISpVoice 的 

SpeakCompleteEvent

 句柄不可避免地会超时。删除
调用 

SPF_ASYNC

 时的 

ISpVoice::Speak

 标志会导致调用者
崩溃。

任何人都可以解释这种行为吗？或者提出一个改变，让我能够 观察后续的语音请求？

Answer 1

SAPI 不希望以递归方式输入。考虑使用不同的 TTS 引擎（例如，WinRT

System.Media.SpeechSynthesis API）来进行实际合成。文本片段不会有任何嵌入的标记，所以这不是什么大问题。

Answer 2

根据文档

https://learn.microsoft.com/en-us/previous-versions/windows/desktop/ee431810(v=vs.85)

如果您想异步发言，请将发言标志更改为 SPF_ASYNC，并在 ISpVoice::Speak() 等待发言过程完成后调用 ISpVoice::WaitUntilDone()。