将视频字幕与文本转语音同步

我尝试创建一个文本视频，其中的文本通过文本转语音进行叙述。

为了创建视频文件，我使用VideoFileWriter of Aforge.Net如下：

VideoWriter = new VideoFileWriter();

VideoWriter.Open(CurVideoFile, (int)(Properties.Settings.Default.VideoWidth),
    (int)(Properties.Settings.Default.VideoHeight), 25, VideoCodec.MPEG4, 800000);

大声朗读我使用的文字SpeechSynthesizer类并将输出写入波形流

AudioStream = new FileStream(CurAudioFile, FileMode.Create);
synth.SetOutputToWaveStream(AudioStream);

我想突出显示视频中所说的单词，所以我通过SpeakProgress event:

void synth_SpeakProgress(object sender, SpeakProgressEventArgs e)
{

    curAuidoPosition = e.AudioPosition;
    using (Graphics g = Graphics.FromImage(Screen))
    {
         g.DrawString(e.Text,....); 
    }                    
    VideoWriter.WriteVideoFrame(Screen, curAuidoPosition);
}

最后，我使用合并视频和音频ffmpeg

using (Process process = new Process())
{
        process.StartInfo.FileName = exe_path;
        process.StartInfo.Arguments = 
            string.Format(@"-i ""{0}"" -i ""{1}"" -y -acodec copy -vcodec copy ""{2}""", avi_path, mp3_path, output_file);

        // ...
}

问题是，对于 Microsoft Hazel、Zira 和 David 等某些声音，在 Windows 8.1 中，视频与音频不同步，并且音频比显示的字幕快得多。然而，对于 Windows 7 中的声音来说，它是有效的。

如何同步它们，以便它适用于任何操作系统上的任何文本转语音？

看来e.AudioPosition是不准确的，因为它被提到SpeechSynthesizer 的 SpeakProgressEventArgs 是否不准确？ https://stackoverflow.com/q/1718967/2651073，我做了同样的实验，得到了同样的结果。

我注意到如果调整音频格式，我可以接近实际时间，但它不适用于任何声音。

var formats = CurVoice.VoiceInfo.SupportedAudioFormats;
if (formats.Count > 0)
{
    var format = formats[0];
    reader.SetOutputToWaveFile(CurAudioFile, format);
}
else
{
     AudioStream = new FileStream(CurAudioFile, FileMode.Create);
     reader.SelectVoice(CurVoice.VoiceInfo.Name);
    var fmt = new SpeechAudioFormatInfo(16000, AudioBitsPerSample.Sixteen, AudioChannel.Mono);
    // this is more close but not precise yet
    MemStream = new MemoryStream();
    var mi = reader.GetType().GetMethod("SetOutputStream", BindingFlags.Instance | BindingFlags.NonPublic);
    mi.Invoke(reader, new object[] { MemStream, fmt, true, true }); 
 }