Azure TTS WebSocket流式传输报错：Input stream cannot be null 求助

错误输出 #

WebSocket connection established
--------------open done------------------
Received message: X-RequestId:13604750-2bxd-42a2-b523-cdesadas3d47
Content-Type:application/json; charset=utf-8
Path:turn.start

{
  "context": {
    "serviceTag": "9a23ce3549axdf7ddfg1d42317bcx5210"
  }
}
WebSocket connection closed with code 1007. Reason: Input stream cannot be null

核心实现代码 #

import WebSocket from 'ws';
import axios from 'axios';
import crypto from 'crypto';

async function streamTextToSpeech(textStream) {
  const accessToken = await getAccessToken();
  const ws = new WebSocket(
    `wss://${region}.tts.speech.microsoft.com/cognitiveservices/websocket/v2?Authorization=Bearer ${accessToken}`
  );

  ws.on('open', () => {
    // 发送配置消息
    const configMessage = {
      context: {
        synthesis: {
          audio: {
            metadataOptions: {
              sentenceBoundaryEnabled: 'false',
              wordBoundaryEnabled: 'false'
            },
            outputFormat: 'audio-24khz-48kbitrate-mono-mp3'
          },
          language: {
            autoDetection: false
          },
          voice: {
            languageId: 'en-US',
            name: 'en-US-JennyNeural'
          }
        }
      }
    };
    
    const configMessageString = `Content-Type:application/json\r\nPath:speech.config\r\n\r\n${JSON.stringify(configMessage)}`;
    ws.send(configMessageString);

    // 报错位置
    const initialSsml = `<speak version='1.0' xml:lang='en-US'><voice name='en-US-JennyNeural'>Initializing speech synthesis.</voice></speak>`;
    const initialMessage = `Path:ssml\r\nX-RequestId:${crypto.randomUUID()}\r\nContent-Type:application/ssml+xml\r\n\r\n${initialSsml}`;
    ws.send(initialMessage);
  });

  // 错误处理及消息处理代码...
}

环境信息 #

• Node.js: 14.17.0
• ws: 8.2.3
• axios: 0.24.0
• Azure Cognitive Services API: v2

已尝试排查步骤 #

• 验证WebSocket连接参数与认证信息
• 对照Azure文档核对SSML格式
• 确认访问令牌有效且格式正确
• 尝试查找Python SDK源码但未找到

疑问 #

1. 发送初始SSML消息时“Input stream cannot be null”错误的原因是什么？
2. 针对Azure TTS API的WebSocket消息格式是否正确？
3. 使用WebSocket API时SSML格式有哪些特定要求？

问题分析与解决方案 #

1. "Input stream cannot be null"错误原因 #

核心原因是消息时序违规：发送speech.config后未等待服务端返回turn.start确认，就直接发送SSML消息。Azure TTS WebSocket协议明确要求，必须在收到服务端的turn.start响应后，才能开始发送SSML内容，否则服务端会判定输入流未完成初始化，抛出该错误。

2. WebSocket消息格式修正 #

当前实现存在两个关键问题：

• 时序错误：需监听服务端turn.start消息后再发送SSML
• 消息头缺失：SSML消息必须携带Content-Length字段，服务端依赖该字段解析内容

修正后的核心逻辑：

ws.on('open', () => {
  // 发送配置消息逻辑不变
  const configMessage = { /* ... */ };
  const configMessageString = `Content-Type:application/json\r\nPath:speech.config\r\n\r\n${JSON.stringify(configMessage)}`;
  ws.send(configMessageString);
});

// 新增消息监听，等待turn.start后发送SSML
ws.on('message', (data) => {
  const messageStr = data.toString();
  if (messageStr.includes('Path:turn.start')) {
    const initialSsml = `<speak version="1.0" xml:lang="en-US"><voice name="en-US-JennyNeural">Initializing speech synthesis.</voice></speak>`;
    const contentLength = Buffer.byteLength(initialSsml, 'utf8');
    const initialMessage = `Path:ssml\r\nX-RequestId:${crypto.randomUUID()}\r\nContent-Type:application/ssml+xml\r\nContent-Length:${contentLength}\r\n\r\n${initialSsml}`;
    ws.send(initialMessage);
  }
});

3. WebSocket API的SSML格式要求 #

• 严格遵循XML规范：属性值必须使用双引号（避免单引号，部分解析器会触发语法错误）
• <speak>标签必须同时指定version和xml:lang属性，且xml:lang需与语音配置的languageId完全一致
• <voice>标签的name必须是Azure官方支持的神经语音名称，可通过Azure门户或产品文档确认有效列表
• 禁止包含未闭合标签、非法XML字符（如未转义的&、<），否则服务端会直接断开连接

内容的提问来源于stack exchange，提问作者Darius Andrei Rozemberg