SSML 文件結構和事件

具有輸入文字的語音合成標記語言 (SSML) 會判斷文字轉換語音輸出的結構、內容和其他特性。 例如，您可以使用 SSML 來定義段落、句子、中斷或暫停或靜音。 您可以使用書籤或描聲影像等事件標籤來換行文字，以供應用程式稍後處理。

如需如何在 SSML 文件中建構元素的詳細資訊，請參閱下列各節。

文件結構

SSML 的語音服務實作基礎是全球資訊網協會的語音合成標記語言 1.0 版。 語音支援的元素可能與 W3C 標準不同。

每個 SSML 文件在建立時都會使用到 SSML 元素或標籤。 這些元素可用來調整聲音、風格、音調、韻律、音量等項目。

以下是基本結構的子集與 SSML 文件的語法：

<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>

下列清單中會說明每個元素中允許的內容範例：

• audio：audio 元素的內文可以包含純文字或 SSML 標記 (如果音訊檔案無法使用或無法播放的話)。 audio 元素也可以包含文字和下列元素：audio、break、p、s、phoneme、prosody、say-as 和 sub。
• bookmark：此元素不可包含文字或任何其他元素。
• break：此元素不可包含文字或任何其他元素。
• emphasis：此元素可包含文字和下列元素：audio、break、emphasis、lang、phoneme、prosody、say-as 和 sub。
• lang：此元素可包含除了 mstts:backgroundaudiovoice 和 speak 以外的所有其他元素。
• lexicon：此元素不可包含文字或任何其他元素。
• math：此元素只可包含文字和 MathML 元素。
• mstts:audioduration：此元素不可包含文字或任何其他元素。
• mstts:backgroundaudio：此元素不可包含文字或任何其他元素。
• mstts:embedding：此元素可包含文字和下列元素：audio、break、emphasis、lang、phoneme、prosody、say-as 和 sub。
• mstts:express-as：此元素可包含文字和下列元素：audio、break、emphasis、lang、phoneme、prosody、say-as 和 sub。
• mstts:silence：此元素不可包含文字或任何其他元素。
• mstts:viseme：此元素不可包含文字或任何其他元素。
• p：此元素可包含文字和下列元素：audio、break、phoneme、prosody、say-as、sub、mstts:express-as 和 s。
• phoneme：此元素只可包含文字，且不可包含其他元素。
• prosody：此元素可包含文字和下列元素：audio、break、p、phoneme、prosody、say-as、sub 和 s。
• s：此元素可包含文字和下列元素：audio、break、phoneme、prosody、say-as、mstts:express-as 和 sub。
• say-as：此元素只可包含文字，且不可包含其他元素。
• sub：此元素只可包含文字，且不可包含其他元素。
• speak：SSML 文件的根項目。 此元素可包含下列元素：mstts:backgroundaudio 和 voice。
• voice：此元素可包含除了 mstts:backgroundaudio 和 speak 以外的所有其他元素。

語音服務會適時自動處理標點符號，例如在遇到句號後暫停，或在句子的結尾為問號時使用正確語調。

特殊字元

若要在 SSML 元素的值或文字中使用字元 &、< 和 >，您必須使用實體格式。 具體來說，您必須使用 & 而非 &、使用 < 而非 <，並使用 > 來取代 >。 否則 SSML 不能正確剖析。

例如指定 green & yellow 而非 green & yellow。 系統便會如預期地剖析下列 SSML：

<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>

特殊字元 (例如引號、撇號和括弧) 必須避免。 如需相關資訊，請參閱可延伸標記語言 (XML) 1.0：附錄 D。

屬性值必須以雙引號或單引號括住。 例如 <prosody volume="90"> 和 <prosody volume='90'> 是格式正確的有效元素，但 <prosody volume=90> 就無法辨識。

說出根項目

speak 元素包含例如版本、語言和標記詞彙定義等資訊。 speak 元素是根項目，為所有 SSML 文件所必要。 您必須在 speak 元素內指定預設語言，無論語言是否在其他地方 (例如在 lang 元素內) 受到調整。

以下是 speak 元素的語法：

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

speak 元素必須包含最少一個語音元素。

說話範例

先前已描述speak 元素的屬性支援值。

單一語音範例

此範例使用 en-US-AvaNeural 語音。 如需更多範例，請參閱語音範例。

<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>

加入中斷符號

使用 break 元素覆寫單字之間中斷或暫停的預設行為。 否則語音服務會自動插入暫停。

下表說明 break 元素屬性的使用方式。

以下是 strength 屬性的更多詳細資料。

中斷範例

先前已描述break 元素的屬性支援值。 下列三種方式都會新增 750 毫秒中斷。

<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>

新增靜音

您可以使用 mstts:silence 元素在文字前或文字後插入停頓，或在兩個連續句子之間插入停頓。

mstts:silence 和 break 之間的其中一個差異是可以在文字中的任何位置插入 break 元素。 靜音僅適用於輸入文字的開頭或結尾，或是兩個相鄰句子的界限。

靜音設定會套用至由 voice 元素括住的所有輸入文字。 若要再次重設或變更靜音設定，您必須使用具有相同語音或不同語音的新 voice 元素。

下表說明 mstts:silence 元素屬性的使用方式。

mstts 靜音範例

先前已描述mstts:silence 元素的屬性支援值。

此範例使用 mstts:silence 在兩個句子之間新增 200 毫秒的靜音。

<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>

在此範例中，mstts:silence 用來於逗號處新增 50 毫秒的靜音、於分號新增 100 毫秒的靜音，以及於頓號處新增 150 毫秒的靜音。

<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>

指定段落和句子

p 和 s 元素分別可用來表示段落和句子。 如果沒有這兩個元素，語音服務會自動判斷 SSML 文件的結構。

段落和句子範例

下列範例會定義個別包含句子的兩個段落。 在第二個段落中，語音服務會自動判斷句子結構，因為它們未在 SSML 文件中定義。

<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>

Bookmark 元素

您可以在 SSML 中使用 bookmark 元素，以參考文字或標記順序中的特定位置。 然後使用語音 SDK 並訂閱 BookmarkReached 事件，以取得音訊數據流中每個標記的位移。 bookmark 元素不會說出。 如需詳細資訊，請參閱訂閱合成器事件。

下表說明 bookmark 元素屬性的使用方式。

書籤範例

先前已描述bookmark 元素的屬性支援值。

例如，您或許會想要知道在下列程式碼片段中每個 flower 文字的時間位移：

<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>

Viseme 元素

描聲影像是口說語言中語素的視覺呈現。 Viseme 會在有人說話時定義臉部和嘴巴的位置。 您可以在 SSML 中使用 mstts:viseme 元素來要求 viseme 輸出。 如需詳細資訊，請參閱使用 viseme 取得臉部位置。

描聲影像設定會套用至由 voice 元素括住的所有輸入文字。 若要再次重設或變更描聲影像設定，您必須使用具有相同語音或不同語音的新 voice 元素。

下表說明 viseme 元素屬性的使用方式。

描聲影像範例

先前已描述viseme 元素的屬性支援值。

此 SSML 程式碼片段說明如何使用合成的語音來要求形態融合 (blend shape)。

<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>

下一步

• SSML 概觀
• 使用 SSML 的語音和音效
• 語言支援：語音、地區設定、語言