Struktura a události dokumentu SSML

Jazyk SSML (Speech Synthesis Markup Language) se vstupním textem určuje strukturu, obsah a další vlastnosti textu na výstup řeči. SSML můžete například použít k definování odstavce, věty, konce nebo pozastavení nebo tichou. Text můžete zalamovat značkami událostí, jako je záložka nebo viseme, které může vaše aplikace zpracovat později.

Podrobnosti o strukturování prvků v dokumentu SSML najdete v následujících částech.

• V případě hlasových hovorů s vysokou definicí azure AI Speech (HD) se podívejte na podporu SSML.
• Pro osobní hlas najdete podporu SSML zde.
• U vložených hlasů se podívejte na podporu SSML.

Struktura dokumentu

Implementace služby Speech pro SSML je založena na jazyku Speech Synthesis Markup Language konsorcia World Wide Web Consortium verze 1.0. Prvky podporované službou Speech se můžou lišit od standardu W3C.

Každý dokument SSML se vytvoří pomocí elementů nebo značek SSML. Tyto prvky slouží k úpravě hlasu, stylu, výšky, prosody, hlasitosti a dalších prvků.

Tady je podmnožina základní struktury a syntaxe dokumentu SSML:

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="string">
    <mstts:backgroundaudio src="string" volume="string" fadein="string" fadeout="string"/>
    <voice name="string" effect="string">
        <audio src="string"></audio>
        <bookmark mark="string"/>
        <break strength="string" time="string" />
        <emphasis level="value"></emphasis>
        <lang xml:lang="string"></lang>
        <lexicon uri="string"/>
        <math xmlns="http://www.w3.org/1998/Math/MathML"></math>
        <mstts:audioduration value="string"/>
        <mstts:ttsembedding speakerProfileId="string"></mstts:ttsembedding>
        <mstts:express-as style="string" styledegree="value" role="string"></mstts:express-as>
        <mstts:silence type="string" value="string"/>
        <mstts:viseme type="string"/>
        <p></p>
        <phoneme alphabet="string" ph="string"></phoneme>
        <prosody pitch="value" contour="value" range="value" rate="value" volume="value"></prosody>
        <s></s>
        <say-as interpret-as="string" format="string" detail="string"></say-as>
        <sub alias="string"></sub>
    </voice>
</speak>

Některé příklady obsahu, které jsou povoleny v každém prvku, jsou popsány v následujícím seznamu:

• audio: Tělo elementu audio může obsahovat prostý text nebo kód SSML, který je mluvený, pokud zvukový soubor není dostupný nebo nelze přehrát. Prvek audio může obsahovat také text a následující prvky: audio, break, p, s, phoneme, , prosody, , say-as, a sub.
• bookmark: Tento prvek nemůže obsahovat text ani žádné jiné prvky.
• break: Tento prvek nemůže obsahovat text ani žádné jiné prvky.
• emphasis: Tento prvek může obsahovat text a následující prvky: audio, break, emphasis, lang, phoneme, , prosody, , say-asa sub.
• lang: Tento prvek může obsahovat všechny ostatní prvky kromě mstts:backgroundaudio, voicea speak.
• lexicon: Tento prvek nemůže obsahovat text ani žádné jiné prvky.
• math: Tento prvek může obsahovat pouze text a elementy MathML.
• mstts:audioduration: Tento prvek nemůže obsahovat text ani žádné jiné prvky.
• mstts:backgroundaudio: Tento prvek nemůže obsahovat text ani žádné jiné prvky.
• mstts:embedding: Tento prvek může obsahovat text a následující prvky: audio, break, emphasis, lang, phoneme, , prosody, , say-asa sub.
• mstts:express-as: Tento prvek může obsahovat text a následující prvky: audio, break, emphasis, lang, phoneme, , prosody, , say-asa sub.
• mstts:silence: Tento prvek nemůže obsahovat text ani žádné jiné prvky.
• mstts:viseme: Tento prvek nemůže obsahovat text ani žádné jiné prvky.
• p: Tento prvek může obsahovat text a následující prvky: audio, break, phoneme, prosody, say-as, , sub, , mstts:express-asa s.
• phoneme: Tento prvek může obsahovat pouze text a žádné další prvky.
• prosody: Tento prvek může obsahovat text a následující prvky: audio, break, p, phoneme, prosody, , say-as, , suba s.
• s: Tento prvek může obsahovat text a následující prvky: audio, break, phoneme, prosody, say-as, , mstts:express-asa sub.
• say-as: Tento prvek může obsahovat pouze text a žádné další prvky.
• sub: Tento prvek může obsahovat pouze text a žádné další prvky.
• speak: Kořenový prvek dokumentu SSML. Tento prvek může obsahovat následující prvky: mstts:backgroundaudio a voice.
• voice: Tento prvek může obsahovat všechny ostatní prvky kromě mstts:backgroundaudio a speak.

Služba Speech automaticky zpracovává interpunkci podle potřeby, například pozastavení po určité době nebo použití správné intonace, když věta končí otazníkem.

Speciální znaky

Chcete-li použít znaky &, <a > v rámci hodnoty elementu SSML nebo textu, je nutné použít formát entity. Konkrétně je nutné použít & místo &, použití < místo <, a použití > místo >. Jinak se SSML správně neanalyguje.

Zadejte například green & yellow místo .green & yellow Následující SSML se parsuje podle očekávání:

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaNeural">
        My favorite colors are green &amp; yellow.
    </voice>
</speak>

Speciální znaky, jako jsou uvozovky, apostrofy a hranaté závorky, musí být uvozovky. Další informace naleznete v tématu Extensible Markup Language (XML) 1.0: Příloha D.

Dvojité nebo jednoduché uvozovky musí uzavřít hodnoty atributů. Jsou například <prosody volume="90"> <prosody volume='90'> správně vytvořené, platné prvky, ale <prosody volume=90> nerozpoznají se.

Přečíst kořenový prvek

Prvek speak obsahuje informace, jako je verze, jazyk a definice slovníku značek. Element speak je kořenový prvek, který je nutný pro všechny dokumenty SSML. Je nutné zadat výchozí jazyk v rámci speak elementu, zda je jazyk upraven jinde, například v rámci elementu lang .

Tady je syntaxe elementu speak :

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="string"></speak>

Prvek speak musí obsahovat alespoň jeden hlasový prvek.

Mluvte příklady

Podporované hodnoty atributů elementu speak byly popsány dříve.

Příklad s jedním hlasem

Tento příklad používá en-US-AvaNeural hlas. Další příklady najdete v příkladech hlasových hovorů.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaNeural">
        This is the text that is spoken.
    </voice>
</speak>

Přidání konce

Pomocí elementu break můžete přepsat výchozí chování konců nebo pozastavení mezi slovy. Jinak služba Speech automaticky vloží pozastavení.

break Použití atributů elementu je popsáno v následující tabulce.

Tady jsou další podrobnosti o atributu strength .

Příklady přerušení

Podporované hodnoty atributů elementu break byly popsány dříve. Následující tři způsoby všechny přidat 750 ms break.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaNeural">
        Welcome <break /> to text to speech.
        Welcome <break strength="medium" /> to text to speech.
        Welcome <break time="750ms" /> to text to speech.
    </voice>
</speak>

Přidání ticha

Pomocí elementu mstts:silence můžete vložit pozastavení před nebo za text nebo mezi dvě sousední věty.

Jedním z rozdílů mezi mstts:silence a break je, že break prvek lze vložit kamkoli do textu. Ticho funguje jenom na začátku nebo na konci vstupního textu nebo na hranici dvou sousedních vět.

Nastavení ticha se použije u veškerého vstupního textu v rámci jeho ohraničujícího voice prvku. Pokud chcete nastavení ticha resetovat nebo změnit znovu, musíte použít nový voice prvek se stejným hlasem nebo jiným hlasem.

mstts:silence Použití atributů elementu je popsáno v následující tabulce.

Příklady ticha mstts

Podporované hodnoty atributů elementu mstts:silence byly popsány dříve.

V tomto příkladu mstts:silence se používá k přidání 200 ms ticha mezi dvě věty.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="en-US">
<voice name="en-US-AvaNeural">
<mstts:silence  type="Sentenceboundary" value="200ms"/>
If we're home schooling, the best we can do is roll with what each day brings and try to have fun along the way.
A good place to start is by trying out the slew of educational apps that are helping children stay happy and smash their schooling at the same time.
</voice>
</speak>

V tomto příkladu mstts:silence se používá k přidání 50 ms ticha na čárku, 100 ms ticha na středník a 150 ms ticha na výčtu čárky.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="zh-CN">
<voice name="zh-CN-YunxiNeural">
<mstts:silence type="comma-exact" value="50ms"/><mstts:silence type="semicolon-exact" value="100ms"/><mstts:silence type="enumerationcomma-exact" value="150ms"/>你好呀，云希、晓晓；你好呀。
</voice>
</speak>

Zadání odstavců a vět

s Prvky p se používají k označení odstavců a vět v uvedeném pořadí. Pokud tyto prvky chybí, služba Speech automaticky určuje strukturu dokumentu SSML.

Příklady odstavců a vět

Následující příklad definuje dva odstavce, které každý obsahuje věty. Ve druhém odstavci služba Speech automaticky určuje strukturu vět, protože nejsou definovány v dokumentu SSML.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaNeural">
        <p>
            <s>Introducing the sentence element.</s>
            <s>Used to mark individual sentences.</s>
        </p>
        <p>
            Another simple paragraph.
            Sentence structure in this paragraph is not explicitly marked.
        </p>
    </voice>
</speak>

Element Bookmark

Pomocí elementu bookmark v SSML můžete odkazovat na konkrétní umístění v textu nebo sekvenci značek. Pak použijete sadu Speech SDK a přihlásíte se k odběru BookmarkReached události, abyste získali posun každé značky ve zvukovém streamu. Prvek bookmark není mluvený. Další informace naleznete v tématu Přihlášení k odběru syntetizátoru událostí.

bookmark Použití atributů elementu je popsáno v následující tabulce.

Příklady záložek

Podporované hodnoty atributů elementu bookmark byly popsány dříve.

Jako příklad můžete chtít znát časový posun každého slova květiny v následujícím fragmentu kódu:

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaNeural">
        We are selling <bookmark mark='flower_1'/>roses and <bookmark mark='flower_2'/>daisies.
    </voice>
</speak>

Element Viseme

Viseme je vizuální popis fonemu v mluveném jazyce. Definuje pozici obličeje a úst, když člověk mluví. K vyžádání výstupu mstts:viseme viseme můžete použít element v SSML. Další informace najdete v tématu Získání pozice obličeje pomocí viseme.

Nastavení viseme se použije u veškerého vstupního textu v rámci jeho ohraničujícího voice prvku. Pokud chcete nastavení viseme resetovat nebo změnit znovu, musíte použít nový voice prvek se stejným hlasem nebo jiným hlasem.

viseme Použití atributů elementu je popsáno v následující tabulce.

Příklady Viseme

Podporované hodnoty atributů elementu viseme byly popsány dříve.

Tento fragment kódu SSML ukazuje, jak požádat o kombinování obrazců s syntetizovanou řečí.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="en-US">
  <voice name="en-US-AvaNeural">
    <mstts:viseme type="FacialExpression"/>
    Rainbow has seven colors: Red, orange, yellow, green, blue, indigo, and violet.
  </voice>
</speak>

Další kroky

• Přehled SSML
• Hlas a zvuk pomocí SSML
• Podpora jazyků: Hlasy, národní prostředí, jazyky