Vylepšení syntézy pomocí jazyka SSML (Speech Synthesis Markup Language)

SSML (Speech Synthesis Markup Language) je značkovací jazyk založený na jazyku XML, který umožňuje vývojářům určit způsob, jakým se vstupní text převede na syntetizovanou řeč s využitím služby pro převod textu na řeč. V porovnání s prostým textem umožňuje jazyk SSML vývojářům vyladit výšku hlasu, výslovnost, rychlost řeči, hlasitost a další aspekty výstupu převodu textu na řeč. Normální interpunkce, například pauzy za čárkami nebo použití správné intonace v případě, že věta končí otazníkem, se zpracovává automaticky.

Implementace služby Speech jazyka SSML je založená konsorcium World Wide Web jazyka SSML (Speech Synthesis Markup Language) verze 1.0.

Neurální a vlastní hlasy

Použijte neurální hlas, který se líbí člověku, nebo si vytvořte vlastní hlas jedinečný pro váš produkt nebo značku. Úplný seznam podporovaných jazyků, národní prostředí a hlasů najdete v tématu Podpora jazyků. Další informace o neurálních a vlastních hlasech najdete v tématu Přehled převodu textu na řeč.

Speciální znaky

Při použití SSML mějte na paměti, že speciální znaky, jako jsou uvozovky, apostrofy a závorky, musí být uvozeny uvozovacími znaky. Další informace najdete v jazyk XML (eXtensible Markup Language) (XML) 1.0: Příloha D.

Podporované elementy SSML

Každý dokument SSML se vytvoří s elementy SSML (nebo značkami). Tyto prvky se používají k úpravě výšky, prosody, objemu a dalších prvků. Následující části podrobně popisují, jak se jednotlivé prvky používají a kdy je prvek povinný nebo volitelný.

Vytvoření dokumentu SSML

speak je kořenový element a vyžaduje se pro všechny dokumenty SSML. Element speak obsahuje důležité informace, jako je verze, jazyk a definice slovní zásoby s přirážek.

Syntax

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

Atributy

Volba hlasu pro převod textu na řeč

Element voice je povinný. Slouží k určení hlasu, který se používá pro převod textu na řeč.

Syntax

<voice name="string">
    This text will get converted into synthesized speech.
</voice>

Atributy

Příklad

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

Použití více hlasů

V speak elementu můžete zadat více hlasů pro výstup převodu textu na řeč. Tyto hlasy mohou být v různých jazycích. Pro každý hlas musí být text zabalený do voice elementu .

Atributy

Příklad

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-JennyNeural">
        Good morning!
    </voice>
    <voice name="en-US-ChristopherNeural">
        Good morning to you too Jenny!
    </voice>
</speak>

Úprava stylů řeči

Služba pro převod textu na řeč ve výchozím nastavení syntetizuje text s využitím neutrálního stylu řeči pro neurální hlasy. Styl mluvy můžete upravit tak, aby vyjadřovat různé emoce, jako jsou emoce, empatie a klid, nebo optimalizovat hlas pro různé scénáře, jako jsou služby zákazníkům, mluvení zpráv a hlasový asistent, pomocí mstts:express-as elementu . Tento element je volitelný a jedinečný pro službu Speech.

V současné době se úpravy stylu mluvy podporují pro následující neurální hlasy:

• en-US-AriaNeural
• en-US-JennyNeural
• en-US-GuyNeural
• en-US-SaraNeural
• ja-JP-NanamiNeural
• pt-BR-FranciscaNeural
• zh-CN-XiaoxiaoNeural
• zh-CN-YunyangNeural
• zh-CN-YunyeNeural
• zh-CN-YunxiNeural
• zh-CN-XiaohanNeural
• zh-CN-XiaomoNeural
• zh-CN-XiaoxuanNeural
• zh-CN-XiaoruiNeural
• zh-CN-XiaoshuangNeural

Intenzitu stylu mluvy je možné dále změnit, aby lépe vyhovovala vašemu případu použití. Pomocí můžete zadat silnější nebo měkčí styl, aby byla řeč výraznější nebo styledegree subduzivní. V současné době jsou úpravy stylu mluvy podporovány pro čínštinu (mandarínštinu, zjednodušené) neurální hlasy.

Kromě úpravy stylů řeči a stupně stylu můžete také upravit parametr tak, aby hlas napodobl role jiný věk a pohlaví. Například hlas mužů může zvýšit výšku a změnit intonaci tak, aby napodobil hlas žen, ale název hlasu se nezmění. V současné době se úpravy rolí podporují pro tyto neurální hlasy v čínštině (mandarínštině, zjednodušené):

• zh-CN-XiaomoNeural
• zh-CN-XiaoxuanNeural

Výše uvedené změny se použijí na úrovni věty a styly a role se liší podle hlasu. Pokud se styl nebo role nepodporují, služba vrátí řeč výchozím neutrálním způsobem. Styly a role jsou podporované pro jednotlivé hlasy prostřednictvím rozhraní API pro hlasový seznam nebo prostřednictvím platformy pro rozpoznávání hlasových Vytváření zvukového obsahu kódu.

Syntax

<mstts:express-as style="string"></mstts:express-as>

<mstts:express-as style="string" styledegree="value"></mstts:express-as>

<mstts:express-as role="string" style="string"></mstts:express-as>

Atributy

Pomocí této tabulky můžete určit, které mluvené styly jsou pro každý neuronové hlas podporovány.

Pomocí této tabulky můžete zkontrolovat podporované role a jejich definice.

Příklad

Tento fragment kódu SSML ukazuje, jak se element používá <mstts:express-as> ke změně stylu mluvy na cheerful .

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis"
       xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="en-US">
    <voice name="en-US-AriaNeural">
        <mstts:express-as style="cheerful">
            That'd be just amazing!
        </mstts:express-as>
    </voice>
</speak>

Tento fragment kódu SSML ilustruje, jak se atribut používá ke změně intenzity stylu mluvy styledegree pro SSML.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis"
       xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="zh-CN">
    <voice name="zh-CN-XiaoxiaoNeural">
        <mstts:express-as style="sad" styledegree="2">
            快走吧，路上一定要注意安全，早去早回。
        </mstts:express-as>
    </voice>
</speak>

Tento fragment kódu SSML ilustruje, jak se atribut používá ke změně role role pro NamímoNeural.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis"
       xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="zh-CN">
    <voice name="zh-CN-XiaomoNeural">
        女儿看见父亲走了进来，问道：
        <mstts:express-as role="YoungAdultFemale" style="calm">
            “您来的挺快的，怎么过来的？”
        </mstts:express-as>
        父亲放下手提包，说：
        <mstts:express-as role="OlderAdultMale" style="calm">
            “刚打车过来的，路上还挺顺畅。”
        </mstts:express-as>
    </voice>
</speak>

Úprava jazyků pro řeč

U neurálních hlasů můžete upravit jazyky mluvy. Pomocí elementu umožnte jednomu hlasu plynule mluvit různými jazyky (například angličtinou, španělštinou a <lang xml:lang> čínštinou). Tento element je volitelný a jedinečný pro službu Speech. Bez tohoto prvku bude hlas mluvit svým primárním jazykem. V současné době jsou úpravy jazyka řeči podporovány pro tyto neurální hlasy: en-US-JennyMultilingualNeural . Výše uvedené změny se použijí na úrovni věty a slov. Pokud se jazyk nepodporuje, služba nevrátí žádný zvukový stream.

Syntax

<lang xml:lang="string"></lang>

Atributy

Pomocí této tabulky můžete určit, které jazyky mluvy jsou podporovány pro každý neurální hlas.

Příklad

Tento fragment kódu SSML ukazuje, jak použít ke změně jazyka pro <lang xml:lang> řeč na a en-US es-MX de-DE .

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis"
       xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="en-US">
    <voice name="en-US-JennyMultilingualNeural">
        I am looking forward to the exciting things.
        <lang xml:lang="es-MX">
            Estoy deseando que lleguen las cosas emocionantes.
        </lang>
        <lang xml:lang="de-DE">
            Ich freue mich auf die spannenden Dinge.
        </lang>
    </voice>
</speak>

Přidání nebo odebrání pozastavení

Pomocí break elementu můžete vložit pozastavení (nebo přerušení) mezi slova nebo zabránit pozastavením automaticky přidaných službou převodu textu na řeč.

Syntax

<break strength="string" />
<break time="string" />

Atributy

Příklad

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-ChristopherNeural">
        Welcome to Microsoft Cognitive Services <break time="100ms" /> Text-to-Speech API.
    </voice>
</speak>

Přidání ticha

Pomocí mstts:silence elementu můžete vložit pozastavení před nebo za text nebo mezi 2 sousední věty.

Syntax

<mstts:silence  type="string"  value="string"/>

Atributy

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

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-ChristopherNeural">
<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>

Zadání odstavců a vět

p Prvky s a slouží k označení odstavců a vět . Pokud tyto prvky chybí, služba převodu textu na řeč automaticky určí strukturu dokumentu SSML.

Element p může obsahovat text a následující prvky: , , , , audio , , , a break phoneme prosody say-as sub mstts:express-as s .

Element s může obsahovat text a následující prvky: , , , audio , , , a break phoneme prosody say-as mstts:express-as sub .

Syntax

<p></p>
<s></s>

Příklad

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-ChristopherNeural">
        <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>

Použití phonemes ke zlepšení výslovnosti

Element se používá pro výslovnost v dokumentech ph SSML. Element ph může obsahovat pouze text, žádné další prvky. Jako záložní vždy poskytnete lidsky čitelný projev.

Phonetic abecedy se skládají z telefonů, které se skládají z písmen, číslic nebo znaků, někdy v kombinaci. Každý telefon popisuje jedinečný zvuk řeči. To je na rozdíl od latinky, kde jakékoli písmeno může představovat více mluvených zvuků. Vezměte v úvahu různé výslovnosti písmen "c" ve slovech "candy" a "cease" nebo různé výslovnosti kombinace písmen "th" ve slovech "thing" a "those".

Syntax

<phoneme alphabet="string" ph="string"></phoneme>

Atributy

Příklady

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-ChristopherNeural">
        <phoneme alphabet="ipa" ph="təˈmeɪtoʊ"> tomato </phoneme>
    </voice>
</speak>

<speak version="1.0" xmlns="https://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-ChristopherNeural">
        <phoneme alphabet="sapi" ph="iy eh n y uw eh s"> en-US </phoneme>
    </voice>
</speak>

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-ChristopherNeural">
        <s>His name is Mike <phoneme alphabet="ups" ph="JH AU"> Zhou </phoneme></s>
    </voice>
</speak>

Použití vlastního lexiconu ke zlepšení výslovnosti

Služba převodu textu na řeč někdy nedokáže přesně vyslovit slovo. Například název společnosti, lékařský termín nebo emoji. Vývojáři mohou pomocí značek a definovat, jak se v SSML čtou phoneme jednotlivé sub entity. Pokud ale potřebujete definovat, jak se čtou více entit, můžete pomocí značky vytvořit vlastní lexicon lexicon.

Syntax

<lexicon uri="string"/>

Atributy

Použití

Pokud chcete definovat, jak se čte více entit, můžete vytvořit vlastní lexicon, který se uloží jako soubor .xml nebo .pls. Následuje ukázkový soubor .xml souboru.

<?xml version="1.0" encoding="UTF-8"?>
<lexicon version="1.0"
      xmlns="http://www.w3.org/2005/01/pronunciation-lexicon"
      xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
      xsi:schemaLocation="http://www.w3.org/2005/01/pronunciation-lexicon
        http://www.w3.org/TR/2007/CR-pronunciation-lexicon-20071212/pls.xsd"
      alphabet="ipa" xml:lang="en-US">
  <lexeme>
    <grapheme>BTW</grapheme>
    <alias>By the way</alias>
  </lexeme>
  <lexeme>
    <grapheme> Benigni </grapheme>
    <phoneme> bɛˈniːnji</phoneme>
  </lexeme>
  <lexeme>
    <grapheme>😀</grapheme>
    <alias>test emoji</alias>
  </lexeme>
</lexicon>

Element lexicon obsahuje alespoň jeden lexeme prvek. Každý lexeme prvek obsahuje alespoň jeden prvek a jeden nebo více prvků , a grapheme grapheme alias phoneme . Element grapheme obsahuje text popisující ortografii . Prvky alias se používají k označení výslovnosti zkratky nebo zkráceného termínu. Element phoneme poskytuje text popisující, jak lexeme se vyslovuje . Pokud alias je prvek a poskytnut se stejným phoneme grapheme prvkem, alias má vyšší prioritu.

Lexicon obsahuje atribut nezbytný k označení národního prostředí, pro které xml:lang se má použít. Jeden vlastní lexicon je z návrhu omezený na jedno národní prostředí, takže ho použijte pro jiné národní prostředí, které nebude fungovat.

Je důležité si uvědomit, že výslovnost fráze nelze nastavit přímo pomocí vlastního lexiconu. Pokud potřebujete nastavit výslovnost zkratky nebo zkráceného výrazu, nejprve zadejte a pak přidružte k alias phoneme . alias Například:

  <lexeme>
    <grapheme>Scotland MV</grapheme>
    <alias>ScotlandMV</alias>
  </lexeme>
  <lexeme>
    <grapheme>ScotlandMV</grapheme>
    <phoneme>ˈskɒtlənd.ˈmiːdiəm.weɪv</phoneme>
  </lexeme>

Můžete také přímo zadat očekávaný termín pro zkratku nebo alias zkrácený termín. Například:

  <lexeme>
    <grapheme>Scotland MV</grapheme>
    <alias>Scotland Media Wave</alias>
  </lexeme>

Další informace o vlastním souboru lexiconu najdete v tématu Specifikace slovníku výslovnosti (PLS) verze 1.0.

V dalším kroku publikujte vlastní soubor lexicon. I když nemáme žádná omezení, kam se tento soubor může uložit, doporučujeme použít Azure Blob Storage.

Po publikování vlastního lexiconu na něj můžete odkazovat z jazyka SSML.

<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-ChristopherNeural">
        <lexicon uri="http://www.example.com/customlexicon.xml"/>
        BTW, we will be there probably at 8:00 tomorrow morning.
        Could you help leave a message to Robert Benigni for me?
    </voice>
</speak>

Při použití tohoto vlastního lexiconu se "BTW" čte jako "V cestě". "Neškodné" se přečte pomocí poskytnuté ip adresy IPA "b

Vzhledem k tomu, že ve vlastním lexiconu je snadné dělat chyby, Poskytuje Microsoft nástroj pro ověřování vlastního lexiconu. Poskytuje podrobné chybové zprávy, které vám pomůžou najít chyby. Než do služby Speech odešlete SSML s vlastním lexiconem, měli byste vlastní lexikon zkontrolovat pomocí tohoto nástroje.

Omezení

• Velikost souboru: Maximální limit velikosti vlastního souboru lexiconu je 100 kB, pokud je velikost větší než tato, požadavek na syntézu selže.
• Aktualizace mezipaměti Lexicon: Vlastní lexicon se při prvním načtení ve službě TTS ukládá do mezipaměti s identifikátorem URI jako klíčem. Lexicon se stejným identifikátorem URI se do 15 minut znovu načtou, takže vlastní změna lexiconu musí počkat nejdél 15 minut, než se projeví.

Phonetic sets služby Speech

Ve výše uvedené ukázce používáme Mezinárodní phonetickou abecedu, označované také jako telefonní sada IPA. Doporučujeme vývojářům používat IPA, protože se jedná o mezinárodní standard. U některých znaků IPA mají při reprezentování unicode předkomponovanou a rozloženou verzi. Vlastní lexicon podporuje pouze rozložitá kódování Unicode.

Vzhledem k tomu, že IPA není snadné zapamatovat, definuje služba Speech fonetické sady pro sedm jazyků ( , , , , , , a en-US fr-FR de-DE es-ES ja-JP zh-CN zh-TW ).

Jako hodnotu atributu můžete použít vlastní x-microsoft-sapi alphabet lexicony, jak je znázorněno níže:

<?xml version="1.0" encoding="UTF-8"?>
<lexicon version="1.0"
      xmlns="http://www.w3.org/2005/01/pronunciation-lexicon"
      xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
      xsi:schemaLocation="http://www.w3.org/2005/01/pronunciation-lexicon
        http://www.w3.org/TR/2007/CR-pronunciation-lexicon-20071212/pls.xsd"
      alphabet="x-microsoft-sapi" xml:lang="en-US">
  <lexeme>
    <grapheme>BTW</grapheme>
    <alias> By the way </alias>
  </lexeme>
  <lexeme>
    <grapheme> Benigni </grapheme>
    <phoneme> b eh 1 - n iy - n y iy </phoneme>
  </lexeme>
</lexicon>

Další informace o podrobném abecedním abecedním nastavení služby Speech najdete v tématu Phonetic sets služby Speech.

Úprava prozódie

Element prosody slouží k určení změn výšky, rozmezí, rychlosti, doby trvání a objemu výstupu převodu textu na řeč. Element prosody může obsahovat text a následující prvky: , , , , audio , , , a break p phoneme prosody say-as sub s .

Vzhledem k tomu, že se hodnoty prosodických atributů mohou v širokém rozsahu lišit, interpretuje rozpoznávání řeči přiřazené hodnoty jako návrh skutečných prosodicových hodnot vybraného hlasu. Služba převodu textu na řeč omezuje nebo nahrazuje hodnoty, které nejsou podporovány. Příkladem nepodporovaných hodnot je sklon 1 MHz nebo objem 120.

Syntax

<prosody pitch="value" contour="value" range="value" rate="value" duration="value" volume="value"></prosody>

Atributy

Změna rychlosti řeči

Rychlost řeči se může použít na neurální hlasy a standardní hlasy na úrovni slova nebo věty.

Příklad

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-ChristopherNeural">
        <prosody rate="+30.00%">
            Welcome to Microsoft Cognitive Services Text-to-Speech API.
        </prosody>
    </voice>
</speak>

Změna svazku

Změny objemu lze použít u standardních hlasů na úrovni slova nebo věty. Zatímco změny objemu lze použít pouze u neurálních hlasů na úrovni věty.

Příklad

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-ChristopherNeural">
        <prosody volume="+20.00%">
            Welcome to Microsoft Cognitive Services Text-to-Speech API.
        </prosody>
    </voice>
</speak>

Změna výšky

Změny výšky lze použít u standardních hlasů na úrovni slova nebo věty. Zatímco změny výšky lze použít pouze u neurálních hlasů na úrovni věty.

Příklad

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-ChristopherNeural">
        Welcome to <prosody pitch="high">Microsoft Cognitive Services Text-to-Speech API.</prosody>
    </voice>
</speak>

Změna výšky

Příklad

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-ChristopherNeural">
        <prosody contour="(60%,-60%) (100%,+80%)" >
            Were you the only person in the room?
        </prosody>
    </voice>
</speak>

say-as – element

say-as je volitelný prvek, který označuje typ obsahu (například číslo nebo datum) textu prvku. To poskytuje modulu pro syntézu řeči pokyny, jak text zdůmyslnět.

Syntax

<say-as interpret-as="string" format="digit string" detail="string"> </say-as>

Atributy

Níže jsou podporované typy obsahu pro interpret-as atributy format a . Atribut format zahrnte jenom interpret-as v případě, že je nastavený na datum a čas.

Použití

Element say-as může obsahovat pouze text.

Příklad

Modul syntézy řeči ukazuje následující příklad jako "První žádost byla pro jednu místnost 91. října 2010 s dřívějším příchodem ve 123:00."

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-ChristopherNeural">
        <p>
        Your <say-as interpret-as="ordinal"> 1st </say-as> request was for <say-as interpret-as="cardinal"> 1 </say-as> room
        on <say-as interpret-as="date" format="mdy"> 10/19/2010 </say-as>, with early arrival at <say-as interpret-as="time" format="hms12"> 12:35pm </say-as>.
        </p>
    </voice>
</speak>

Přidání zaznamenaného zvuku

audio je volitelný prvek, který umožňuje vložit zvuk MP3 do dokumentu SSML. Tělo zvukového elementu může obsahovat prostý text nebo kód SSML, který se vysloví, pokud je zvukový soubor nedostupný nebo nepřehrovatelný. Kromě toho může audio element obsahovat text a následující prvky: , , , audio , , , , a break p s phoneme prosody say-as sub .

Zvuk, který je součástí dokumentu SSML, musí splňovat tyto požadavky:

• MP3 musí být hostovaný na koncovém bodu HTTPS přístupném z internetu. Vyžaduje se PROTOKOL HTTPS a doména hostující soubor MP3 musí předložit platný důvěryhodný certifikát TLS/SSL.
• MP3 musí být platný soubor MP3 (MPEG v2).
• Přenosová rychlost musí být 48 kb/s.
• Vzorkovací frekvence musí být 16 000 Hz.
• Celková doba pro všechny textové a zvukové soubory v jedné odpovědi nesmí překročit 90 (90) sekund.
• MP3 nesmí obsahovat žádné citlivé informace specifické pro zákazníka ani jiné citlivé informace.

Syntax

<audio src="string"/></audio>

Atributy

Příklad

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-ChristopherNeural">
        <p>
            <audio src="https://contoso.com/opinionprompt.wav"/>
            Thanks for offering your opinion. Please begin speaking after the beep.
            <audio src="https://contoso.com/beep.wav">
                Could not play the beep, please voice your opinion now.
            </audio>
        </p>
    </voice>
</speak>

Přidání zvuku na pozadí

Element umožňuje přidat zvuk na pozadí do dokumentů SSML (nebo kombinovat zvukový soubor s převodem textu mstts:backgroundaudio na řeč). Díky této smyčce můžete vytvořit smyčku se zvukovým souborem na pozadí, zeslábnout na začátku převodu textu na řeč a postupně zeslábnout na konci převodu textu mstts:backgroundaudio na řeč.

Pokud je poskytovaný zvuk na pozadí kratší než text na řeč nebo prolnutí, bude se smyčkovat. Pokud je delší než převod textu na řeč, po dokončení prolnutí se zastaví.

V SSML dokumentu je povolen pouze jeden zvukový soubor na pozadí. Můžete však audio v rámci voice elementu doplnit značky přidáním dalšího zvuku do dokumentu SSML.

Syntax

<mstts:backgroundaudio src="string" volume="string" fadein="string" fadeout="string"/>

Atributy

Příklad

<speak version="1.0" xml:lang="en-US" xmlns:mstts="http://www.w3.org/2001/mstts">
    <mstts:backgroundaudio src="https://contoso.com/sample.wav" volume="0.7" fadein="3000" fadeout="4000"/>
    <voice name="Microsoft Server Speech Text to Speech Voice (en-US, ChristopherNeural)">
        The text provided in this document will be spoken over the background audio.
    </voice>
</speak>

Element Bookmark

Element Bookmark umožňuje vložit vlastní značky v SSML a získat posun každé značky ve zvukovém streamu. Prvky záložky nebudeme číst. Element Bookmark lze použít k odkazování na konkrétní umístění v rámci textu nebo sekvence značek.

Syntax

<bookmark mark="string"/>

Atributy

Příklad

Jako příklad můžete chtít, abyste věděli, jaký je časový posun každého slova v květu, jak je uvedeno níže.

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

Získání záložky pomocí sady Speech SDK

Můžete se přihlásit k odběru BookmarkReached události v sadě Speech SDK a získat tak posunutí záložky.

BookmarkReached události jsou vyvolány, protože výstupní zvuková data budou k dispozici, což bude rychlejší než přehrávání do výstupního zařízení.

• AudioOffset oznamuje uplynulý čas výstupu zvuku mezi začátkem syntézy a prvkem záložky. To se měří v jednotkách se stovkami (HNS) s 10 000, který odpovídá 1 milisekundu.
• Text je odkazový text elementu Bookmark, což je řetězec, který jste nastavili v mark atributu.

synthesizer.BookmarkReached += (s, e) =>
{
    // The unit of e.AudioOffset is tick (1 tick = 100 nanoseconds), divide by 10,000 to convert to milliseconds.
    Console.WriteLine($"Bookmark reached. Audio offset: " +
        $"{e.AudioOffset / 10000}ms, bookmark text: {e.Text}.");
};

Bookmark reached. Audio offset: 825ms, bookmark text: flower_1.
Bookmark reached. Audio offset: 1462.5ms, bookmark text: flower_2.

synthesizer->BookmarkReached += [](const SpeechSynthesisBookmarkEventArgs& e)
{
    cout << "Bookmark reached. "
        // The unit of e.AudioOffset is tick (1 tick = 100 nanoseconds), divide by 10,000 to convert to milliseconds.
        << "Audio offset: " << e.AudioOffset / 10000 << "ms, "
        << "bookmark text: " << e.Text << "." << endl;
};

Bookmark reached. Audio offset: 825ms, bookmark text: flower_1.
Bookmark reached. Audio offset: 1462.5ms, bookmark text: flower_2.

synthesizer.BookmarkReached.addEventListener((o, e) -> {
    // The unit of e.AudioOffset is tick (1 tick = 100 nanoseconds), divide by 10,000 to convert to milliseconds.
    System.out.print("Bookmark reached. Audio offset: " + e.getAudioOffset() / 10000 + "ms, ");
    System.out.println("bookmark text: " + e.getText() + ".");
});

Bookmark reached. Audio offset: 825ms, bookmark text: flower_1.
Bookmark reached. Audio offset: 1462.5ms, bookmark text: flower_2.

# The unit of evt.audio_offset is tick (1 tick = 100 nanoseconds), divide it by 10,000 to convert to milliseconds.
speech_synthesizer.bookmark_reached.connect(lambda evt: print(
    "Bookmark reached: {}, audio offset: {}ms, bookmark text: {}.".format(evt, evt.audio_offset / 10000, evt.text)))

Bookmark reached, audio offset: 825ms, bookmark text: flower_1.
Bookmark reached, audio offset: 1462.5ms, bookmark text: flower_2.

synthesizer.bookmarkReached = function (s, e) {
    window.console.log("(Bookmark reached), Audio offset: " + e.audioOffset / 10000 + "ms, bookmark text: " + e.text);
}

(Bookmark reached), Audio offset: 825ms, bookmark text: flower_1.
(Bookmark reached), Audio offset: 1462.5ms, bookmark text: flower_2.

[synthesizer addBookmarkReachedEventHandler: ^ (SPXSpeechSynthesizer *synthesizer, SPXSpeechSynthesisBookmarkEventArgs *eventArgs) {
    // The unit of AudioOffset is tick (1 tick = 100 nanoseconds), divide by 10,000 to converted to milliseconds.
    NSLog(@"Bookmark reached. Audio offset: %fms, bookmark text: %@.", eventArgs.audioOffset/10000., eventArgs.text);
}];

Bookmark reached. Audio offset: 825ms, bookmark text: flower_1.
Bookmark reached. Audio offset: 1462.5ms, bookmark text: flower_2.

Další kroky

• Podpora jazyků: hlasy, národní prostředí, jazyky