ASP.NET 整合 Microsoft Speech SDK 實現語音合成 (TTS)：伺服器端語音產生與播放完整指南

文字轉語音 (TTS) 技術讓應用程式能「朗讀」動態文字內容。本文介紹如何在 ASP.NET 中整合 Microsoft Speech Application SDK 1.1 (SASDK)，實現伺服器端語音合成並串流至用戶端播放。

架構選擇：伺服器端合成 vs 用戶端合成

• 用戶端：需安裝 TTS 引擎、語音包，受限於瀏覽器安全策略，現代瀏覽器已支援 Web Speech API (較推薦)。
• 伺服器端：集中管理語音引擎、語音包、授權；輸出 WAV/MP3 串流，相容所有瀏覽器，適合企業內部系統、IVR 整合、無障礙輔助。

開發環境準備

1. 安裝 Microsoft Speech SDK 5.1 (含 TTS 引擎)。
2. 安裝 Speech Application SDK 1.1 (提供 Microsoft.Speech 命名空間)。
3. 安裝語音包：Microsoft LH TTS (中文)、Microsoft Anna (英文) 等。
4. IIS 應用程式集區啟用 32 位元模式 (舊版 Speech SDK 為 32 位元)。
5. 授權：確認伺服器端合成授權條款 (部分語音包需商業授權)。

核心代碼：TTS 處理頁面 (TTSHandler.ashx)

public class TTSHandler : IHttpHandler
{
    public void ProcessRequest(HttpContext context)
    {
        string text = context.Request["text"];
        string voice = context.Request["voice"]; // 可選：指定語音名稱
        if (string.IsNullOrEmpty(text)) return;

        using (SpeechSynthesizer synth = new SpeechSynthesizer())
        {
            if (!string.IsNullOrEmpty(voice))
                synth.SelectVoice(voice);
            else
                synth.SelectVoiceByHints(VoiceGender.NotSet, VoiceAge.NotSet, 0, CultureInfo.CurrentUICulture);

            synth.Rate = 0;      // 語速 -10~10
            synth.Volume = 100;  // 音量 0~100

            // 產生 WAV 記憶體串流
            using (MemoryStream ms = new MemoryStream())
            {
                synth.SetOutputToWaveStream(ms);
                synth.Speak(text);
                ms.Position = 0;

                context.Response.Clear();
                context.Response.ContentType = "audio/wav";
                context.Response.AddHeader("Content-Length", ms.Length.ToString());
                ms.WriteTo(context.Response.OutputStream);
            }
        }
    }
    public bool IsReusable => false;
}

前端調用範例

<audio controls src="TTSHandler.ashx?text=歡迎使用語音合成系統&voice=Microsoft LH TTS"></audio>
// 或 JavaScript 動態播放
fetch('TTSHandler.ashx?text=' + encodeURIComponent(txt))
  .then(r => r.blob())
  .then(b => new Audio(URL.createObjectURL(b)).play());

進階應用場景

• 動態公告廣播：後台輸入文字，前台即時播報。
• 無障礙輔助：網頁內容自動朗讀 (WCAG 2.1 合規)。
• IVR 整合：生成語音提示檔供電話系統撥放。
• 多語系支援：依使用者語系自動切換語音包 (中/英/日/韓等)。

伺服器端 TTS 雖需授權與資源管理，但在可控環境下提供穩定、一致的語音體驗，是企業級應用的重要選項。