在使用Microsoft文本到语音时，如何计算每个单词的持续时间？

Question

嗨，我正在使用Python中的Pyttsx3，该Python使用Microsoft SDK SAPI5.1文本将文本用于语音合成器来从文本中生成音频。 我面临的问题是，它产生的语音速度不稳定，并且取决于文本的长度，单词的长度等。 这意味着相同的单词将根据其文字更快或更慢。 这些对我来说是挫折，因为我需要为我创建的程序正确工作的每个单词的时间戳，到目前为止，我尝试了不同的公式，它们都不是准确的。

有人有一个想法如何解决这个问题吗？ （PS我不想使用语音分析来解决此问题，因为可靠性问题）

Answer 1

您需要设置事件处理程序以获取每个单词的通知。显然，PYTTSX使用Connect API来设置事件：

engine.connect('started-utterance', onStart)
engine.connect('started-word', onWord)
engine.connect('finished-utterance', onEnd)

OnWord签名具有持续时间（我相信）。