c# - 是否可以将实时数据发送到 Bing 语音识别？

Question

我正在编写一个应接收音频并将其发送到 Bing Recognition API 以获取文本的应用程序。我使用了服务库，它可以处理 wav 文件。因此，我编写了自己的流类来接收来自麦克风或网络 (RTP) 的音频，并将其发送到识别 API。当我在音频流前面添加 WAV header 时，它会工作几秒钟。

调试显示，识别 api 读取表单流的速度比填充音频源(16k 采样率、16 位、单声道)快。

所以我的问题是:有没有办法将 recognition api 与实时(连续)音频流一起使用？

我知道有一个麦克风客户端的例子，但它只适用于麦克风，我需要它用于不同的来源。

Answer 1

我找到了解决问题的方法。我写了一个继承自流的类 AudioStream，它缓冲输入并在调用 Read 方法且其缓冲区为空时等待。这可以防止识别器停止，因为读取方法总是返回一个 > 0 的值。这是该类的重要部分代码:

public class AudioStream : Stream {
private AutoResetEvent _waitEvent = new AutoResetEvent(false);

internal void AddData(byte[] buffer, int count) {
    _buffer.Add(buffer, count);
    // Enable Read
    _waitEvent.Set();
}
public override int Read(byte[] buffer, int offset, int count) {
    int readCount = 0;
    if ((_buffer.Empty) {
        // Wait for input
        _waitEvent.WaitOne();
    }
    ......
    // Fill buffer from _buffer;

    _waitEvent.Reset();
    return length;
}
protected override void Dispose(bool disposing) {
    // Make sure, that there is no waiting Read
    // Clear buffer, dispose wait event etc.
}
......

因为连续接收音频数据，所以 Read 方法不会“挂起”超过几毫秒(例如，RTP 数据包全部接收 20 毫秒)。