Python读取Azure TTS的AudioDataStream字节流并播放异常排查

常见问题原因及对应解决方法 #

1. 音频格式不匹配（最常见） #

Azure TTS默认返回PCM 16kHz 16位单声道格式，若播放时采样率、位深度、声道数的设置与输出格式不匹配，必然出现声音变调、卡顿或杂音。

解决：

• 先确认TTS输出格式，可通过代码查看：

  print(stream.format)  # 输出示例: AudioFormat(16000 Hz, 16 bit, Mono)
  

• 播放时严格对应参数，比如用pyaudio播放需设置：

  format=pyaudio.paInt16, channels=1, rate=16000
  

2. 字节流读取不完整 #

若读取AudioDataStream时仅获取部分字节，或未循环读取至流结束，会导致音频截断、播放异常。

解决：

• 确保完整读取所有字节：

  audio_bytes = b""
  chunk = stream.read(4096)
  while chunk:
      audio_bytes += chunk
      chunk = stream.read(4096)
  

• 可通过stream.save_to_wav_file保存文件，对比读取的字节流与文件内容是否一致，验证流的完整性。

3. 播放库参数错误 #

不同播放库对音频参数要求不同，比如playsound默认不支持裸PCM字节流，需转为带WAV头的格式；部分库需显式指定音频参数才能正确解码。

示例：用pyaudio正确播放PCM字节流

import pyaudio
import azure.cognitiveservices.speech as speechsdk

# 初始化TTS配置
speech_config = speechsdk.SpeechConfig(subscription="你的密钥", region="你的区域")
speech_config.speech_synthesis_voice_name = "zh-CN-XiaoxiaoNeural"

# 合成音频并获取流
speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config, audio_config=None)
result = speech_synthesizer.speak_text_async("测试音频").get()
stream = speechsdk.AudioDataStream(result)

# 读取完整字节流
audio_bytes = b""
chunk = stream.read(4096)
while chunk:
    audio_bytes += chunk
    chunk = stream.read(4096)

# 用pyaudio播放
p = pyaudio.PyAudio()
play_stream = p.open(format=pyaudio.paInt16,
                     channels=1,
                     rate=16000,
                     output=True)
play_stream.write(audio_bytes)
play_stream.stop_stream()
play_stream.close()
p.terminate()

4. 缺少WAV文件头 #

裸PCM字节流没有文件头信息，部分播放器无法正确解析，导致声音异常。若需用playsound这类依赖WAV格式的库，可手动添加WAV头：

def add_wav_header(pcm_bytes, sample_rate=16000, channels=1, bit_depth=16):
    byte_rate = sample_rate * channels * bit_depth // 8
    block_align = channels * bit_depth // 8
    data_size = len(pcm_bytes)
    # 构造WAV头
    header = b'RIFF'
    header += (36 + data_size).to_bytes(4, 'little')
    header += b'WAVEfmt '
    header += (16).to_bytes(4, 'little')  # PCM格式标记
    header += (1).to_bytes(2, 'little')   # 音频格式（PCM=1）
    header += channels.to_bytes(2, 'little')
    header += sample_rate.to_bytes(4, 'little')
    header += byte_rate.to_bytes(4, 'little')
    header += block_align.to_bytes(2, 'little')
    header += bit_depth.to_bytes(2, 'little')
    header += b'data'
    header += data_size.to_bytes(4, 'little')
    return header + pcm_bytes

# 转换为带WAV头的字节流后播放
wav_bytes = add_wav_header(audio_bytes)
import playsound
import tempfile
with tempfile.NamedTemporaryFile(suffix='.wav', delete=False) as f:
    f.write(wav_bytes)
playsound.playsound(f.name)

内容的提问来源于stack exchange，提问作者willwade