Rust で音声合成して WAV ファイルに保存する

動機

下記の記事を最近の windows クレート仕様に書き換えてみたかったのと、音声ファイルとして保存する方法を調べてみました。

環境

rustc 1.79.0
Windows 10 22H2

実装

短いので全部載せます。

Cargo.toml

[package]
name = "speech"
version = "0.1.0"
edition = "2021"

[dependencies]
anyhow = "1.0"

[dependencies.windows]
version = "0.57"
features = [
    "Media_Core",
    "Media_Playback",
    "Media_SpeechSynthesis",
    "Storage_Streams",
    "Win32_System_WinRT",
]

main.rs

use anyhow::Result;
use std::fs;
use std::path::Path;
use std::slice;
use std::sync::mpsc;
use windows::{
    core::{Interface, HSTRING},
    Foundation::TypedEventHandler,
    Media::{
        Core::MediaSource,
        Playback::MediaPlayer,
        SpeechSynthesis::{SpeechSynthesisStream, SpeechSynthesizer},
    },
    Storage::Streams::DataReader,
    Win32::System::WinRT::IBufferByteAccess,
};

fn speech_synthesis_stream(source: &str) -> Result<SpeechSynthesisStream> {
    let utf16 = source.encode_utf16().collect::<Vec<_>>();
    let source = HSTRING::from_wide(&utf16)?;
    let synth = SpeechSynthesizer::new()?;
    let stream = synth.SynthesizeTextToStreamAsync(&source)?.get()?;
    Ok(stream)
}

fn speech(source: &str) -> Result<()> {
    let stream = speech_synthesis_stream(source)?;
    let player = MediaPlayer::new()?;
    let source = MediaSource::CreateFromStream(&stream, &stream.ContentType()?)?;
    player.SetSource(&source)?;
    
    let (tx, rx) = mpsc::channel();
    let tx_clone = tx.clone();

    // イベントハンドラの登録
    // 再生終了時に呼ばれる
    let token_media_ended = player.MediaEnded(&TypedEventHandler::new(move |_, _| {
        tx_clone.send(()).ok();
        Ok(())
    }))?;
    
    // 再生失敗時に呼ばれる？
    let token_media_failed = player.MediaFailed(&TypedEventHandler::new(move |_, _| {
        tx.send(()).ok();
        Ok(())
    }))?;
    
    player.Play()?;
    
    // 再生終了を待つ
    rx.recv()?;

    // イベントハンドラの削除
    player.RemoveMediaEnded(token_media_ended)?;
    player.RemoveMediaFailed(token_media_failed)?;
    
    Ok(())
}

fn save_to_wav<P: AsRef<Path>>(path: P, source: &str) -> Result<()> {
    let stream = speech_synthesis_stream(source)?;
    
    // ストリームがらデータを読む
    let reader = DataReader::CreateDataReader(&stream)?;
    let size = stream.Size()? as u32;
    reader.LoadAsync(size)?.get()?;

    // 生ポインタを取得するために IBuffer を IBufferByteAccess にキャスト
    let buffer: IBufferByteAccess = reader.ReadBuffer(size)?.cast()?;
    let ptr = unsafe { buffer.Buffer()? };

    // Rust の世界のスライスに変換
    let slice = unsafe { slice::from_raw_parts(ptr, size as usize) };
    
    // 保存
    fs::write(path, slice)?;
    
    Ok(())
}

fn main() -> Result<()> {
    // 「こんにちは」って喋る
    speech("こんにちは")?;

    // 「こんばんは」という WAV ファイルを指定したパスに保存
    save_to_wav("test.wav", "こんばんは")?;

    Ok(())
}

以上です。