使用Python将Azure文本转语音输出至虚拟麦克风的问题求助

方案1：修复中间WAV文件播放问题 #

你遇到的Jupyter中生成WAV后无法直接播放的问题，核心原因是语音合成的异步操作完成后，文件可能还未完全写入磁盘，或者文件句柄未被释放，导致后续加载时找不到文件。

修正后的代码步骤： #

1. 确保语音合成完成且状态正常，再执行播放操作：

import speechsdk
from pygame import mixer
import time

# 文本转语音部分
speech_config = speechsdk.SpeechConfig(subscription="你的订阅密钥", region="你的区域")
audio_config = speechsdk.audio.AudioOutputConfig(filename="file.wav")
speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config, audio_config=audio_config)
speech_synthesis_result = speech_synthesizer.speak_text_async("测试文本").get()

# 检查合成状态，确认文件已生成
if speech_synthesis_result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
    print("音频合成完成")
    # 短暂等待确保文件写入磁盘（Jupyter环境下可能需要）
    time.sleep(0.5)
    # 初始化混音器并播放
    mixer.init(devicename='Line 1 (Virtual Audio Cable)')
    mixer.music.load("file.wav")
    mixer.music.play()
elif speech_synthesis_result.reason == speechsdk.ResultReason.Canceled:
    cancellation_details = speech_synthesis_result.cancellation_details
    print(f"合成取消: {cancellation_details.reason}")
    if cancellation_details.reason == speechsdk.CancellationReason.Error:
        print(f"错误详情: {cancellation_details.error_details}")

2. 额外建议：使用绝对路径指定WAV文件，避免Jupyter工作目录的路径问题：

import os
wav_path = os.path.abspath("file.wav")
audio_config = speechsdk.audio.AudioOutputConfig(filename=wav_path)
# 后续播放也用这个绝对路径
mixer.music.load(wav_path)

方案2：修复直接流传输至虚拟设备的问题 #

你当前的问题大概率是虚拟麦克风属于输入设备，而Azure Speech SDK的AudioOutputConfig仅支持输出设备。虚拟音频线缆通常会提供一对输入/输出设备，你需要选择对应的虚拟输出设备而非麦克风的设备ID。

修正步骤： #

1. 先枚举所有可用的音频输出设备，找到虚拟音频线缆的输出设备名称/ID：

from azure.cognitiveservices.speech.audio import AudioOutputDeviceInfo

devices = speechsdk.audio.AudioOutputDeviceInfo.get_available_devices()
for idx, device in enumerate(devices):
    print(f"设备索引: {idx}, 名称: {device.name}, ID: {device.id}")

2. 使用枚举到的虚拟输出设备ID配置AudioOutputConfig：

# 替换为你枚举到的虚拟输出设备ID
audio_config = speechsdk.audio.AudioOutputConfig(
    use_default_speaker=False,
    device_name="{0.0.0.00000000}.{你的虚拟输出设备ID}"
)
speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config, audio_config=audio_config)
speech_synthesizer.speak_text_async("测试文本").get()

之后需要在虚拟音频线缆的设置中，将该输出设备的音频路由到虚拟麦克风的输入端（不同虚拟音频工具的设置方式略有差异，比如Virtual Audio Cable需要设置线缆的输入源为该输出设备）。

更理想的替代方案：直接流式输出至虚拟音频设备 #

无需生成中间文件，直接将Azure语音合成的音频流发送到虚拟音频设备：

import speechsdk
import pyaudio

# 初始化Azure语音配置
speech_config = speechsdk.SpeechConfig(subscription="你的订阅密钥", region="你的区域")
speech_config.set_speech_synthesis_output_format(speechsdk.SpeechSynthesisOutputFormat.Riff16Khz16BitMonoPcm)

# 定义音频流回调
class AudioStreamCallback(speechsdk.audio.PullAudioOutputStreamCallback):
    def __init__(self):
        super().__init__()
        self.p = pyaudio.PyAudio()
        # 打开虚拟音频设备的输出流（替换为你的虚拟设备索引）
        self.stream = self.p.open(
            format=pyaudio.paInt16,
            channels=1,
            rate=16000,
            output=True,
            output_device_index=你的虚拟输出设备索引
        )

    def write(self, audio_buffer: memoryview) -> int:
        self.stream.write(audio_buffer.tobytes())
        return audio_buffer.nbytes

    def close(self):
        self.stream.stop_stream()
        self.stream.close()
        self.p.terminate()

# 创建自定义音频输出配置
audio_output_stream = speechsdk.audio.PullAudioOutputStream(AudioStreamCallback())
audio_config = speechsdk.audio.AudioOutputConfig(stream=audio_output_stream)

# 合成并输出
speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config, audio_config=audio_config)
result = speech_synthesizer.speak_text_async("直接流式输出测试").get()

if result.reason == speechsdk.ResultReason.Canceled:
    print(f"合成失败: {result.cancellation_details.error_details}")

该方案直接将合成的音频流写入虚拟输出设备，再通过虚拟音频工具路由到麦克风，避免了文件IO的问题。

内容的提问来源于stack exchange，提问作者George Raveen