如何用C#通过NAudio WaveOut直接将音频发送至Bing语音识别服务？

我已经用NAudio实现了麦克风音频录制，代码如下，但现在想不通过保存文件的方式，直接把录制的音频发送到Bing语音识别服务，请问该怎么做？

private void buttonBeginToSpeak_Click(object sender, EventArgs e) 
{ 
    WaveIn wi; WaveOut wo; private BufferedWaveProvider bwp; 
    wo = new WaveOut(); 
    wi = new WaveIn(); 
    wi.DataAvailable += new EventHandler<WaveInEventArgs>(wi_DataAvailable); 
    bwp = new BufferedWaveProvider(wi.WaveFormat); 
    bwp.DiscardOnBufferOverflow = true; 
    wo.Init(bwp); 
    wi.StartRecording(); 
} 

private void buttonFinishSpeaking_Click(object sender, EventArgs e) 
{ 
    wi.StopRecording(); 
    wo.Play(); // 播放录制的音频
} 

void wi_DataAvailable(object sender, WaveInEventArgs e) 
{ 
    bwp.AddSamples(e.Buffer, 0, e.BytesRecorded); 
}

首先要说明：Bing语音识别服务现在已经整合到Azure Speech Service中，推荐使用官方的Azure Speech SDK来实现流式语音识别，这样可以直接把录制的音频数据推送到服务，无需保存到文件。下面是具体的实现步骤：

1. 准备工作 #

• 安装Azure Speech SDK的NuGet包：Microsoft.CognitiveServices.Speech
• 获取你的Azure Speech资源密钥和区域（可以在Azure门户中创建Speech资源后获取）

2. 修改代码实现流式识别 #

我们需要替换原来的BufferedWaveProvider播放逻辑，改为将音频数据直接推送到Speech SDK的输入流中，同时启动语音识别：

// 声明全局变量
private WaveIn _waveIn;
private SpeechRecognizer _speechRecognizer;
private PushAudioInputStream _audioInputStream;
private AudioConfig _audioConfig;

private void buttonBeginToSpeak_Click(object sender, EventArgs e)
{
    // 第一步：设置音频格式为语音服务要求的格式（16kHz，16位，单声道PCM）
    var waveFormat = new WaveFormat(16000, 16, 1);
    _waveIn = new WaveIn();
    _waveIn.WaveFormat = waveFormat;
    _waveIn.DataAvailable += WaveIn_DataAvailable;

    // 第二步：初始化Speech SDK的音频输入流和识别器
    var speechConfig = SpeechConfig.FromSubscription("你的Azure Speech密钥", "你的资源区域");
    _audioInputStream = AudioInputStream.CreatePushStream();
    _audioConfig = AudioConfig.FromStreamInput(_audioInputStream, waveFormat.SampleRate, waveFormat.BitsPerSample, waveFormat.Channels);
    
    _speechRecognizer = new SpeechRecognizer(speechConfig, _audioConfig);

    // 注册识别结果事件
    _speechRecognizer.Recognized += (s, args) =>
    {
        if (args.Result.Reason == ResultReason.RecognizedSpeech)
        {
            // 识别成功，处理结果
            MessageBox.Show($"识别结果：{args.Result.Text}");
        }
        else if (args.Result.Reason == ResultReason.NoMatch)
        {
            MessageBox.Show("未识别到语音");
        }
    };

    // 开始录制和识别
    _speechRecognizer.StartContinuousRecognitionAsync().Wait();
    _waveIn.StartRecording();
}

private void buttonFinishSpeaking_Click(object sender, EventArgs e)
{
    // 停止录制和识别
    _waveIn.StopRecording();
    _audioInputStream.Close();
    _speechRecognizer.StopContinuousRecognitionAsync().Wait();

    // 释放资源
    _waveIn.Dispose();
    _speechRecognizer.Dispose();
    _audioInputStream.Dispose();
}

private void WaveIn_DataAvailable(object sender, WaveInEventArgs e)
{
    // 将录制的音频数据直接推送到Speech SDK的输入流
    _audioInputStream.Write(e.Buffer, 0, e.BytesRecorded);
}

3. 关键说明 #

• 音频格式匹配：语音服务对输入音频格式有严格要求，必须设置为16kHz采样率、16位深度、单声道PCM，否则识别会失败。所以我们初始化WaveIn时指定了这个格式。
• 流式推送：通过PushAudioInputStream，我们可以实时把麦克风采集到的音频数据推送到服务，不需要先缓存到文件或BufferedWaveProvider中。
• 事件处理：通过Recognized事件可以实时获取识别结果，适合连续语音识别场景。如果需要单次识别（比如一句话说完就识别），可以改用RecognizeOnceAsync()方法，而不是StartContinuousRecognitionAsync()。

内容的提问来源于stack exchange，提问作者Alvaro Fierro Clavero