SSML-dokumentstruktur och -händelser

Talsyntesmarkeringsspråket (SSML) med indatatext avgör strukturen, innehållet och andra egenskaper för text till tal-utdata. Du kan till exempel använda SSML för att definiera ett stycke, en mening, en paus eller en paus eller tystnad. Du kan radbryta text med händelsetaggar som bokmärke eller viseme som kan bearbetas senare av ditt program.

Mer information om hur du strukturerar element i SSML-dokumentet finns i avsnitten nedan.

• För HD-röster (Azure AI Speech high definition) kontrollerar du SSML-stödet här.
• För personlig röst kan du hitta SSML-supporten här.
• För inbäddade röster kontrollerar du SSML-stödet här.

Dokumentstruktur

Implementeringen av Speech-tjänsten av SSML baseras på World Wide Web Consortiums Speech Synthesis Markup Language Version 1.0. De element som stöds av Speech kan skilja sig från W3C-standarden.

Varje SSML-dokument skapas med SSML-element eller taggar. Dessa element används för att justera röst, stil, tonhöjd, prosody, volym med mera.

Här är en delmängd av den grundläggande strukturen och syntaxen för ett SSML-dokument:

<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>

Några exempel på innehåll som tillåts i varje element beskrivs i följande lista:

• audio: Elementets audio brödtext kan innehålla oformaterad text eller SSML-markering som talas om ljudfilen inte är tillgänglig eller inte går att spela upp. Elementet audio kan också innehålla text och följande element: audio, break, p, s, phoneme, prosody, , say-asoch sub.
• bookmark: Det här elementet får inte innehålla text eller andra element.
• break: Det här elementet får inte innehålla text eller andra element.
• emphasis: Det här elementet kan innehålla text och följande element: audio, break, emphasis, lang, phoneme, prosody, say-asoch sub.
• lang: Det här elementet kan innehålla alla andra element utom mstts:backgroundaudio, voiceoch speak.
• lexicon: Det här elementet får inte innehålla text eller andra element.
• math: Det här elementet kan bara innehålla text- och MathML-element.
• mstts:audioduration: Det här elementet får inte innehålla text eller andra element.
• mstts:backgroundaudio: Det här elementet får inte innehålla text eller andra element.
• mstts:embedding: Det här elementet kan innehålla text och följande element: audio, break, emphasis, lang, phoneme, prosody, say-asoch sub.
• mstts:express-as: Det här elementet kan innehålla text och följande element: audio, break, emphasis, lang, phoneme, prosody, say-asoch sub.
• mstts:silence: Det här elementet får inte innehålla text eller andra element.
• mstts:viseme: Det här elementet får inte innehålla text eller andra element.
• p: Det här elementet kan innehålla text och följande element: audio, break, phoneme, prosody, say-as, sub, mstts:express-asoch s.
• phoneme: Det här elementet kan bara innehålla text och inga andra element.
• prosody: Det här elementet kan innehålla text och följande element: audio, break, p, phoneme, prosody, say-as, suboch s.
• s: Det här elementet kan innehålla text och följande element: audio, break, phoneme, prosody, say-as, mstts:express-asoch sub.
• say-as: Det här elementet kan bara innehålla text och inga andra element.
• sub: Det här elementet kan bara innehålla text och inga andra element.
• speak: Rotelementet i ett SSML-dokument. Det här elementet kan innehålla följande element: mstts:backgroundaudio och voice.
• voice: Det här elementet kan innehålla alla andra element utom mstts:backgroundaudio och speak.

Speech-tjänsten hanterar automatiskt skiljetecken efter behov, till exempel pausa efter en period eller använda rätt intonation när en mening slutar med ett frågetecken.

Specialtecken

Om du vill använda tecknen &, <och > inom SSML-elementets värde eller text måste du använda entitetsformatet. Mer specifikt måste du använda & i stället för &, använda < i stället för <, och använda > i stället för >. Annars parsas inte SSML korrekt.

Ange till exempel green & yellow i stället för green & yellow. Följande SSML parsas som förväntat:

<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>

Specialtecken som citattecken, apostrofer och hakparenteser måste vara undantagna. Mer information finns i Utökningsbart markupspråk (XML) 1.0: Bilaga D.

Dubbla eller enkla citattecken måste omsluta attributvärdena. Till exempel <prosody volume="90"> och <prosody volume='90'> är välformulerad, giltiga element, men <prosody volume=90> känns inte igen.

Läs in rotelement

Elementet speak innehåller information som version, språk och ordförrådsdefinitionen för markering. Elementet speak är det rotelement som krävs för alla SSML-dokument. Du måste ange standardspråket i elementet speak , oavsett om språket justeras någon annanstans, till exempel i elementet lang .

Här är syntaxen för elementet speak :

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

Elementet speak måste innehålla minst ett röstelement.

tala exempel

De värden som stöds för elementets speak attribut beskrevs tidigare.

Exempel på en röst

I det en-US-AvaNeural här exemplet används rösten. Fler exempel finns i röstexempel.

<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>

Lägg till en paus

Använd elementet break för att åsidosätta standardbeteendet för pauser eller pauser mellan ord. Annars pausar Speech-tjänsten automatiskt.

Användning av break elementets attribut beskrivs i följande tabell.

Här följer mer information om attributet strength .

Bryt exempel

De värden som stöds för elementets break attribut beskrevs tidigare. Följande tre sätt lägger alla till 750 ms-pauser.

<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>

Lägg till tystnad

Använd elementet mstts:silence för att infoga pausar före eller efter text, eller mellan två intilliggande meningar.

En av skillnaderna mellan mstts:silence och break är att ett break element kan infogas var som helst i texten. Tystnad fungerar endast i början eller slutet av indatatexten eller vid gränsen för två intilliggande meningar.

Tystnadsinställningen tillämpas på all indatatext i dess omslutande voice element. Om du vill återställa eller ändra tystnadsinställningen igen måste du använda ett nytt voice element med antingen samma röst eller en annan röst.

Användning av mstts:silence elementets attribut beskrivs i följande tabell.

mstts tystnadsexempel

De värden som stöds för elementets mstts:silence attribut beskrevs tidigare.

I det här exemplet mstts:silence används för att lägga till 200 ms tystnad mellan två meningar.

<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>

I det här exemplet mstts:silence används för att lägga till 50 ms tystnad på kommatecknet, 100 ms tystnad vid semikolonet och 150 ms tystnad vid uppräknings kommatecknet.

<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>

Ange stycken och meningar

Elementen p och s används för att ange stycken respektive meningar. I avsaknad av dessa element avgör Speech-tjänsten automatiskt strukturen för SSML-dokumentet.

Exempel på stycken och meningar

I följande exempel definieras två stycken som var och en innehåller meningar. I det andra stycket avgör Speech-tjänsten automatiskt meningsstrukturen, eftersom de inte definieras i SSML-dokumentet.

<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>

Bokmärkeselement

Du kan använda elementet bookmark i SSML för att referera till en specifik plats i text- eller taggsekvensen. Sedan använder du Speech SDK och prenumererar på BookmarkReached händelsen för att få förskjutningen av varje markör i ljudströmmen. Elementet bookmark är inte talat. Mer information finns i Prenumerera på synthesizer-händelser.

Användning av bookmark elementets attribut beskrivs i följande tabell.

Bokmärkesexempel

De värden som stöds för elementets bookmark attribut beskrevs tidigare.

Du kanske till exempel vill veta tidsförskjutningen för varje blomord i följande kodfragment:

<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-element

En viseme är den visuella beskrivningen av ett fonme på talat språk. Det definierar ansiktets och munnens position medan en person talar. Du kan använda elementet mstts:viseme i SSML för att begära viseme-utdata. Mer information finns i Hämta ansiktsposition med viseme.

Viseme-inställningen tillämpas på all indatatext i dess omslutande voice element. Om du vill återställa eller ändra viseme-inställningen igen måste du använda ett nytt voice element med antingen samma röst eller en annan röst.

Användning av viseme elementets attribut beskrivs i följande tabell.

Viseme-exempel

De värden som stöds för elementets viseme attribut beskrevs tidigare.

Det här SSML-kodfragmentet visar hur du begär blandningsformer med ditt syntetiserade tal.

<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>

Nästa steg

• Översikt över SSML
• Röst och ljud med SSML
• Språkstöd: Röster, språk, språk