Azure Cognitive Services文本转语音：如何停止服务器端音频输出？

• 问题原因：直接使用仅带SpeechConfig的构造函数创建SpeechSynthesizer时，SDK默认会将合成的音频输出到系统扬声器，这在Web服务器环境中会引发不必要的延迟。
• 解决方案：创建SpeechSynthesizer时，传入AudioConfig.FromNullOutput()配置，明确禁用音频设备输出，仅保留合成后的音频字节数据。

修改后的完整代码：

var speechConfig = SpeechConfig.FromSubscription(speechKey, speechRegion);

speechConfig.SpeechSynthesisVoiceName = "fa-IR-FaridNeural";
speechConfig.OutputFormat = OutputFormat.Detailed;

// 配置空输出，禁用扬声器播放
using (var audioConfig = AudioConfig.FromNullOutput())
using (var speechSynthesizer = new SpeechSynthesizer(speechConfig, audioConfig))
{
    var speechSynthesisResult = await speechSynthesizer.SpeakTextAsync(inp);
    return Convert.ToBase64String(speechSynthesisResult.AudioData);
}

关键说明 #

• AudioConfig.FromNullOutput()会让SDK跳过音频设备的输出流程，只生成并返回音频字节数组，完全避免服务器端的音频播放操作。
• 需将audioConfig纳入using语句块，保证资源被正确释放，避免内存泄漏。

内容的提问来源于stack exchange，提问作者MG123