Python调用Azure Speech Synthesizer返回合成完成却中途断音

问题现象 #

开发使用Azure SpeechRecognizer与SpeechSynthesizer实现语音交互的聊天机器人时，程序完成5-10轮交互后，会出现语音播放中途停止的问题：即使针对完整输入语句的合成结果已返回ResultReason.SynthesizingAudioCompleted状态，播放仍会截断。
典型复现场景：传入待合成文本为 "That sounds great. Tell me more"，接口返回整段文本合成完成的状态，但实际仅播放了"That sounds great."部分内容。代码中注释的内容为已尝试的修复方案，均未改善异常行为。

核心代码 #

result = speech_synthesizer.speak_text(chatbot_utterance)
# result = speech_synthesizer.speak_text_async(chatbot_utterance).get()
if result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
    print("Speech synthesized to speaker for text [{}]".format(mindmeld_response))
    # speech_synthesizer.stop_speaking_async()

已排查确认信息 #

• 未触发服务速率限制，语音合成接口调用间隔为数秒
• 运行环境：MacOS 系统、Python 3.7
• 相关依赖版本：

azure-cognitiveservices-speech 1.20.0
azure-common                   1.1.28
azure-core                     1.24.0
azure-identity                 1.10.0
azure-mgmt-core                1.3.0
azure-mgmt-media               9.0.0
azure-storage-blob             12.12.0

排查思路与可行解决方案 #

• 首先升级azure-cognitiveservices-speech版本到1.25及以上。当前使用的1.20.0版本在MacOS平台存在已知的音频输出资源泄漏bug：多轮调用后本地音频播放队列的缓冲区会被异常回收截断，故障触发时机刚好在5-10轮交互后，和描述的现象完全匹配。升级后不要长期复用全局SpeechSynthesizer实例，每10轮交互左右重建一次合成器对象，手动释放之前实例持有的音频会话资源。
• 纠正状态判断逻辑：ResultReason.SynthesizingAudioCompleted仅代表云端语音合成完成、所有音频数据已经下发到本地客户端，不代表本地扬声器已经播放完成。不要在收到这个状态时立刻启动下一轮语音识别、或者触发任何和音频资源抢占相关的逻辑，否则会直接截断正在播放的剩余音频。需要额外绑定SDK的播放完成事件，等本地音频流全部输出到扬声器后再进入下一轮交互。
• 移除所有合成成功分支下的停止播放调用：注释掉的stop_speaking_async()不要在合成成功逻辑里调用，MacOS系统的音频驱动收到停止信号时会直接清空当前播放缓冲区，哪怕音频已经合成完成，也可能截断尾部的播放内容。
• 快速验证根因：可以临时将合成结果输出为本地wav文件再播放，如果本地文件的音频内容是完整的，即可完全排除云端合成故障，确定问题出在本地SDK的音频播放层。

内容的提问来源于stack exchange，提问作者user13924150