Azure Speech Service TTS音频缓冲区拼接问题求助

核心思路：提取裸音频数据拼接 #

Azure Speech Service的合成输出（如WAV格式）包含文件头，直接拼接缓冲区会因头部重复破坏音频结构。你需要只提取每个片段的PCM裸数据部分，再拼接这些裸数据，最后统一添加一个标准音频头。

具体实现步骤 #

• 解析单段音频缓冲区：
  标准PCM WAV的文件头通常为44字节，可跳过前44字节，提取后续所有二进制数据——这就是原始的PCM音频采样数据。

  注意：Azure Speech默认输出WAV格式，若使用其他压缩格式需先解码为PCM再处理。

• 拼接PCM数据：
  将所有片段提取出的PCM数据按顺序拼接成一个大的字节缓冲区。
• 生成完整音频头：
  根据拼接后的PCM数据总长度、采样率、位深（需与单段音频一致），生成标准WAV文件头，添加到拼接后的PCM数据前，即可得到完整可播放音频。

代码示例（Python） #

import struct

def extract_pcm_from_wav(wav_buffer):
    # 跳过WAV头（前44字节），返回PCM数据
    if len(wav_buffer) < 44:
        return b""
    return wav_buffer[44:]

def generate_wav_header(pcm_data, sample_rate=24000, bits_per_sample=16, channels=1):
    # 生成标准WAV文件头
    pcm_length = len(pcm_data)
    byte_rate = sample_rate * channels * bits_per_sample // 8
    block_align = channels * bits_per_sample // 8
    header = struct.pack(
        '<4sI4s4sIHHIIHH4sI',
        b'RIFF',
        36 + pcm_length,
        b'WAVE',
        b'fmt ',
        16,
        1,  # PCM格式标记
        channels,
        sample_rate,
        byte_rate,
        block_align,
        bits_per_sample,
        b'data',
        pcm_length
    )
    return header

# 示例：处理多个Azure合成返回的wav缓冲区
wav_buffers = [buffer1, buffer2, buffer3]
all_pcm = b""
for buf in wav_buffers:
    all_pcm += extract_pcm_from_wav(buf)

# 生成最终完整音频
final_wav = generate_wav_header(all_pcm) + all_pcm

额外注意事项 #

• 确保所有音频片段的采样率、位深、声道数完全一致——Azure Speech Service默认输出参数固定（如24kHz、16位单声道），未修改合成参数则无需担心。
• 若使用流式合成，可在接收流时直接跳过头部，只收集PCM数据，省去后续解析步骤。

内容的提问来源于stack exchange，提问作者Flavius Biras