C# 語音合成實戰（上）：基於 SAPI 5.1 實現中英混合朗讀

前言

.NET Framework 早期版本對中文語音合成（TTS）支援有限。透過安裝 Microsoft Speech SDK 5.1 (SAPI 5.1) 及對應語言包，可在 C# 中調用 COM 元件 SpeechLib 實現高品質中英混合朗讀。本文採用單例模式封裝核心類別，支援：語音切換（中/英）、音量/語速調節、異步播放、暫停/繼續/停止、中英混合文本智能分段朗讀。

環境準備

1. 下載安裝：Speech SDK 5.1 + Speech SDK 5.1 Language Pack（勾選簡體中文、英文）
2. 專案 → 加入參考 → COM → Microsoft Speech Object Library (生成 SpeechLib 互操作組件)
3. using SpeechLib;

核心類別設計：SpeechSynthesizer

using System;
using SpeechLib;

public class SpeechSynthesizer
{
    private static SpeechSynthesizer _instance;
    private SpVoiceClass _voice;

    private SpeechSynthesizer() { BuildVoice(); }

    public static SpeechSynthesizer Instance {
        get {
            if (_instance == null) _instance = new SpeechSynthesizer();
            return _instance;
        }
    }

    private void BuildVoice() {
        if (_voice == null) _voice = new SpVoiceClass();
    }

    // 語音選擇：GetVoices() 返回 Token 列表，索引 0 通常為中文，1+ 為英文口音
    private void SetChineseVoice() {
        _voice.Voice = _voice.GetVoices("", "").Item(0);
    }

    private void SetEnglishVoice() {
        _voice.Voice = _voice.GetVoices("", "").Item(1);
    }

    // 核心發聲方法（異步）
    private void Speak(string text) {
        try {
            _voice.Speak(text, SpeechVoiceSpeakFlags.SVSFlagsAsync);
        }
        catch (Exception ex) {
            throw new Exception("語音播放失敗: " + ex.Message);
        }
    }

    // 中文朗讀
    public void SpeakChinese(string text) {
        SetChineseVoice();
        Speak(text);
    }

    // 英文朗讀
    public void SpeakEnglish(string text) {
        SetEnglishVoice();
        Speak(text);
    }

    // 智能分段：依字符 Unicode 範圍判斷中英，分段呼叫對應語音
    public void SpeakMixed(string text) {
        if (string.IsNullOrEmpty(text)) return;

        int chStart = 0, enStart = 0;
        bool inChinese = true;

        for (int i = 0; i < text.Length; i++) {
            char c = text[i];
            bool isAsciiLetter = (c >= 'A' && c <= 'Z') || (c >= 'a' && c <= 'z');

            if (inChinese) {
                if (isAsciiLetter) { // 切換到英文
                    SpeakChinese(text.Substring(chStart, i - chStart));
                    enStart = i;
                    inChinese = false;
                }
            } else { // 在英文段
                if (!isAsciiLetter) { // 切換回中文
                    SpeakEnglish(text.Substring(enStart, i - enStart));
                    chStart = i;
                    inChinese = true;
                }
            }
        }

        // 處理尾段
        if (inChinese)
            SpeakChinese(text.Substring(chStart));
        else
            SpeakEnglish(text.Substring(enStart));
    }

    // 音量 (0-100)
    public int Volume {
        get => _voice.Volume;
        set => _voice.Volume = (ushort)Math.Max(0, Math.Min(100, value));
    }

    // 語速 (-10 到 10)
    public int Rate {
        get => _voice.Rate;
        set => _voice.Rate = Math.Max(-10, Math.Min(10, value));
    }

    // 控制方法
    public void Stop() {
        _voice.Speak("", SpeechVoiceSpeakFlags.SVSFPurgeBeforeSpeak);
    }

    public void Pause() => _voice.Pause();
    public void Resume() => _voice.Resume();
}

使用範例

class Program {
    static void Main() {
        var tts = SpeechSynthesizer.Instance;
        tts.Volume = 80;
        tts.Rate = 0;

        // 純中文
        tts.SpeakChinese("歡迎使用語音合成系統");

        // 純英文
        tts.SpeakEnglish("Welcome to the speech synthesis system");

        // 中英混合
        tts.SpeakMixed("你好 World，這是一個 Test 範例");

        Console.WriteLine("按任意鍵停止...");
        Console.ReadKey();
        tts.Stop();
    }
}

關鍵技術點解析

1. 單例模式：SpVoiceClass 建立成本高、資源佔用大，全程複用單一實例
2. 異步旗標 SVSFlagsAsync：Speak 立即返回，不阻塞呼叫執行緒（UI 應用關鍵）
3. 語音 Token 選擇：GetVoices("", "") 返回所有已安裝語音 Token，Item(0) 通常為系統預設中文語音（如 Microsoft Simplified Chinese），Item(1...n) 為英文口音（Microsoft Sam, Mike, Mary 等）
4. 中英分段演算法：簡易版依 ASCII 字母判斷；生產環境建議用 CharUnicodeInfo.GetUnicodeCategory 精確識別 CJK 統一表意文字
5. 音量/語速屬性：直接映射到底層 COM 介面，範圍驗證防止無效值
6. 停止機制：SVSFPurgeBeforeSpeak 清空隊列並立即停止

常見問題與解決

擴展方向

• SSML 支援：Speak 接受 SSML 標記，可控制停頓、音調、重音
• 語音辨識 (SR)：下篇將介紹 SpSharedRecoContext 實現中文語音輸入
• .NET Core / 5+ 跨平台：SAPI 僅限 Windows；跨平台請用 System.Speech.Synthesis (Windows) 或第三方 Azure Cognitive Services Speech SDK、eSpeak-NG、Festival

總結

透過 SAPI 5.1 COM 互操作，C# 可輕鬆獲得企業級語音合成能力。單例封裝 + 異步播放 + 智能中英分段，構成實用 TTS 元件的核心。理解 COM 物件生命週期、執行緒模型、語音 Token 管理，是避坑關鍵。下篇將挑戰更複雜的中文語音辨識，敬請期待。