FastAPI搭建Piper TTS服务器：流式WAV文件格式异常问题求助

方案一：修改WAV头的音频大小字段为最大值 #

WAV格式的data块确实需要提前声明数据大小，但流式场景下无法预知，你可以把这个字段设为32位无符号整数的最大值（0xFFFFFFFF）。绝大多数播放器和音频编辑器会忽略这个过大的值，直接读取到流结束，不会出现崩溃或无法播放的问题，完美解决FireFox和Audacity的兼容问题。

手动构造符合要求的WAV头（替代wave模块的默认生成方式）：

import struct

def build_streaming_wav_header(sample_rate: int, channels: int = 1, bits_per_sample: int = 16):
    # 计算WAV头各部分参数
    audio_format = 1  # PCM格式
    byte_rate = sample_rate * channels * (bits_per_sample // 8)
    block_align = channels * (bits_per_sample // 8)
    
    # 拼接RIFF块
    riff_header = b"RIFF" + struct.pack('<I', 0xFFFFFFFF) + b"WAVE"
    # 拼接fmt块
    fmt_chunk = (
        b"fmt " + struct.pack('<I', 16) +
        struct.pack('<H', audio_format) + struct.pack('<H', channels) +
        struct.pack('<I', sample_rate) + struct.pack('<I', byte_rate) +
        struct.pack('<H', block_align) + struct.pack('<H', bits_per_sample)
    )
    # 拼接data块（大小设为最大值）
    data_chunk = b"data" + struct.pack('<I', 0xFFFFFFFF)
    
    return riff_header + fmt_chunk + data_chunk

# 在接口中使用
@app.get("/stream-tts-wav")
async def stream_tts_wav(text: str):
    # 生成流式WAV头
    wav_header = build_streaming_wav_header(model_metadata.sample_rate)
    yield wav_header
    
    # 流式输出音频数据
    for chunk in synthesize_stream_raw(text, ...):
        yield chunk

方案二：更换为流式友好的音频格式（OGG Opus） #

如果不想纠结WAV的格式限制，换用OGG Opus是更优的选择：

• 天生支持流式传输，无需提前知道总数据大小
• 所有主流浏览器（包括FireFox）、音频编辑器（Audacity）完美兼容
• 相同音质下文件体积比WAV小很多

可以用FFmpeg将Piper输出的原始PCM实时编码为OGG Opus：

import subprocess
from fastapi import Response

@app.get("/stream-tts-opus")
async def stream_tts_opus(text: str):
    sample_rate = model_metadata.sample_rate
    
    # 启动FFmpeg进程，实时编码PCM为OGG Opus
    ffmpeg_cmd = [
        "ffmpeg",
        "-f", "s16le", "-ar", str(sample_rate), "-ac", "1", "-i", "-",
        "-c:a", "libopus", "-f", "ogg", "-"
    ]
    process = subprocess.Popen(
        ffmpeg_cmd,
        stdin=subprocess.PIPE,
        stdout=subprocess.PIPE,
        stderr=subprocess.DEVNULL
    )
    
    def stream_generator():
        try:
            # 把Piper的PCM流喂给FFmpeg
            for pcm_chunk in synthesize_stream_raw(text, ...):
                process.stdin.write(pcm_chunk)
                process.stdin.flush()
                # 读取编码后的OGG数据并输出
                while output_chunk := process.stdout.read(4096):
                    yield output_chunk
        finally:
            process.stdin.close()
            process.wait()
    
    return Response(stream_generator(), media_type="audio/ogg")

总结 #

• 若坚持使用WAV格式，方案一的修改成本最低，兼容性足够覆盖绝大多数场景
• 若追求更好的兼容性和传输效率，方案二的OGG Opus是长期最优解

内容的提问来源于stack exchange，提问作者Bill Trần