Mejora de la síntesis con el Lenguaje de marcado de síntesis de voz (SSML)

Artículo
11/18/2021
38 minutos para leer

El lenguaje de marcado de síntesis de voz (SSML) es un lenguaje de marcado basado en XML que permite a los desarrolladores especificar cómo se convierte el texto de entrada en una voz sintetizada mediante el servicio de texto a voz. En comparación con el texto sin formato, SSML permite a los desarrolladores ajustar el tono, la pronunciación, la velocidad del habla, el volumen y muchas cosas más en la salida de texto a voz. La puntuación normal, como hacer una pausa después de un punto o usar la entonación correcta cuando una oración termina con un signo de interrogación, se administra automáticamente.

La implementación del servicios de voz de SSML se basa en la versión 1.0 del lenguaje de marcado de síntesis de voz del World Wide Web Consortium.

Importante

Los caracteres en chino, japonés y coreano se cuentan como dos caracteres para la facturación. Para obtener más información, consulte el apartado Precios.

Voces neuronales y personalizadas

Use una voz neuronal de tipo humano o cree su propia voz personalizada única para su producto o marca. Para obtener una lista completa de los idiomas compatibles, las configuraciones regionales y las voces, consulte compatibilidad con idiomas. Para más información sobre las voces neuronales y personalizadas, consulte la introducción de Texto a voz.

Nota

Puede escuchar voces en distintos estilos y hacer que se lea texto de ejemplo mediante la página de Text to Speech.

Caracteres especiales

Al usar SSML, recuerde que los caracteres especiales, como comillas, apóstrofos y corchetes, deben ser de escape. Para más información, consulte Lenguaje de marcado extensible (XML) 1.0: Apéndice D.

Elementos SSML admitidos

Cada documento SSML se crea con los elementos SSML (o etiquetas). Estos elementos se utilizan para ajustar el tono, la prosodia, el volumen y mucho más. En las siguientes secciones se detallan cómo se utiliza cada elemento y cuándo es necesario u opcional.

Importante

No se olvide de utilizar comillas dobles alrededor de los valores de atributo. Las normas para un XML válido y bien formado requieren que los valores de los atributos estén rodeados de comillas dobles. Por ejemplo, <prosody volume="90"> es un elemento válido y bien formado, pero <prosody volume=90> no. Puede que SSML no reconozca valores de atributos que no estén entre comillas.

Creación de un documento SSML

speak es el elemento raíz y se necesita para todos los documentos SSML. El elemento speak contiene información importante, como la versión, el idioma y la definición del vocabulario de marcado.

Sintaxis

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

Atributos

Atributo	Descripción	Obligatorio u opcional
`version`	Indica la versión de la especificación SSML utilizada para interpretar el marcado del documento. La versión actual es 1.0.	Obligatorio
`xml:lang`	Especifica el idioma del documento raíz. El valor puede contener un código de idioma en minúsculas y de dos letras (por ejemplo, `en`) o el código de idioma y el país o región en mayúscula (por ejemplo, `en-US`).	Obligatorio
`xmlns`	Especifica el URI del documento que define el vocabulario de marcado (los tipos de elementos y nombres de atributos) del documento SSML. El identificador URI actual es http://www.w3.org/2001/10/synthesis.	Obligatorio

Elección de una voz para la conversión de texto a voz

El elemento voice es obligatorio. Sirve para especificar la voz que se usa en la conversión de texto a voz.

Sintaxis

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

Atributos

Atributo	Descripción	Obligatorio u opcional
`name`	Identifica la voz que se usa para la salida de texto a voz. Para ver una lista completa de voces compatibles, consulte Compatibilidad con idiomas.	Obligatorio

Ejemplo

Nota

En este ejemplo se usa la voz en-US-ChristopherNeural. Para ver una lista completa de voces compatibles, consulte Compatibilidad con idiomas.

<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>

Uso de varias voces

Dentro del elemento speak, puede especificar varias voces para la salida de texto a voz. Estas voces pueden estar en diferentes idiomas. Para cada voz, el texto se debe encapsular en un elemento voice.

Atributos

Atributo	Descripción	Obligatorio u opcional
`name`	Identifica la voz que se usa para la salida de texto a voz. Para ver una lista completa de voces compatibles, consulte Compatibilidad con idiomas.	Obligatorio

Ejemplo

<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>

Ajuste de los estilos de habla

De forma predeterminada, el servicio de texto a voz sintetiza el texto mediante un estilo de habla neutro para voces neuronales. Es posible adaptar el estilo del habla para expresar diferentes emociones, como alegría, empatía y serenidad, o bien modular la voz para diferentes escenarios, como un servicio al cliente, la transmisión de noticias o un asistente de voz, mediante el elemento mstts:express-as. Se trata de un elemento opcional único para el servicio de voz.

Actualmente, los ajustes del estilo de habla son compatibles con las siguientes voces neuronales:

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

La intensidad del estilo de habla se puede cambiar aún más para ajustarse mejor a su caso de uso. Puede especificar un estilo más seguro o más suave con styledegree para que la voz sea más expresiva o moderada. Actualmente, se admiten ajustes del estilo de habla de las voces neuronales en chino (mandarín y simplificado).

Además de ajustar los estilos de habla y el grado de estilo, también puede ajustar el parámetro role para que la voz parezca que es de alguien de otra edad y género. Por ejemplo, una voz masculina puede subir el tono y cambiar la entonación para que parezca femenina, pero el nombre de la voz no cambiará. Actualmente, se admiten ajustes del rol de estas voces neuronales en chino (mandarín y simplificado):

zh-CN-XiaomoNeural
zh-CN-XiaoxuanNeural

Los cambios anteriores se aplican en el nivel de la oración y tanto los estilos como las representaciones varían según la voz. Si no se admite un estilo o representación, el servicio devolverá la voz con la forma de habla neutra predeterminada. Los estilos y roles que se admiten para cada voz se pueden ver mediante la API de la lista de voces, o bien mediante la plataforma Audio Content Creation sin código.

Sintaxis

<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>

Nota

En este momento, styledegree solo admite voces neuronales en chino (mandarín y simplificado). role solo admite zh-CN-XiaomoNeural y zh-CN-XiaoxuanNeural.

Atributos

Atributo	Descripción	Obligatorio u opcional
`style`	Especifica el estilo de habla. Actualmente, los estilos de habla son específicos de la voz.	Se necesita si se ajusta el estilo de habla para una voz neuronal. Si se usa `mstts:express-as`, se debe especificar el estilo. Si se proporciona un valor no válido, se omitirá este elemento.
`styledegree`	Especifica la intensidad del estilo de voz. Valores aceptados: 0,01 a 2, inclusivo. El valor predeterminado es 1, que señala la intensidad de estilo predefinida. La unidad mínima es 0,01, que da como resultado una ligera tendencia hacia el estilo de destino. Un valor de 2, como resultado, duplica la intensidad de estilo predeterminada.	Opcional (en este momento, `styledegree` solo admite voces neuronales en chino [mandarín y simplificado]).
`role`	Especifica la representación del habla. La voz actuará de una edad y un sexo diferentes, pero su nombre no se cambiará.	Opcional (en este momento, `role` solo admite zh-CN-XiaomoNeural y zh-CN-XiaoxuanNeural).

Utilice esta tabla para determinar qué estilos de habla son compatibles para cada voz neuronal.

Voz	Estilo	Descripción
`en-US-AriaNeural`	`style="newscast-formal"`	Expresa un tono formal, seguro y autoritario para la difusión informativa.
	`style="newscast-casual"`	Expresa un tono versátil e informal para la difusión de noticias generales.
	`style="narration-professional"`	Exprese un tono objetivo y profesional para la lectura de contenido
	`style="customerservice"`	Expresa un tono amistoso y servicial para atender a clientes
	`style="chat"`	Expresa un tono casual y relajado
	`style="cheerful"`	Expresa un tono positivo y feliz
	`style="empathetic"`	Expresa un sentimiento de cuidado y comprensión.
`en-US-JennyNeural`	`style="customerservice"`	Expresa un tono amistoso y servicial para atender a clientes
	`style="chat"`	Expresa un tono casual y relajado
	`style="assistant"`	Expresa un tono cálido y relajado para asistentes digitales
	`style="newscast"`	Expresa un tono versátil e informal para la difusión de noticias generales.
`en-US-GuyNeural`	`style="newscast"`	Expresa un tono formal y profesional para narrar noticias
`en-US-SaraNeural`	`style="cheerful"`	Expresa un tono positivo y feliz
	`style="sad"`	Expresa un tono afligido
	`style="angry"`	Expresa un tono enfadado y molesto
`ja-JP-NanamiNeural`	`style="cheerful"`	Expresa un tono positivo y feliz
	`style="chat"`	Expresa un tono casual y relajado
	`style="customerservice"`	Expresa un tono amistoso y servicial para atender a clientes
`pt-BR-FranciscaNeural`	`style="calm"`	Expresa una actitud interesante, recolectada y compuesta al hablar. El tono, la intensidad y la prosodia son mucho más uniformes en comparación con otros tipos de voz.
`zh-CN-XiaoxiaoNeural`	`style="newscast"`	Expresa un tono formal y profesional para narrar noticias
	`style="customerservice"`	Expresa un tono amistoso y servicial para atender a clientes
	`style="assistant"`	Expresa un tono cálido y relajado para asistentes digitales
	`style="chat"`	Expresa un tono casual y relajado para charlar.
	`style="calm"`	Expresa una actitud interesante, recolectada y compuesta al hablar. El tono, la intensidad y la prosodia son mucho más uniformes en comparación con otros tipos de voz.
	`style="cheerful"`	Expresa un tono animado y entusiasta, agudo y enérgico.
	`style="sad"`	Expresa un tono afligido, agudo, con menos intensidad y poco enérgico. Los indicadores comunes de esta emoción serían lloriqueos o gimoteos al hablar.
	`style="angry"`	Expresa un tono enfadado y molesto, grave, con mayor intensidad y energía vocal más alta. El hablante está en un estado de ira, disgustado y ofendido.
	`style="fearful"`	Expresa un tono asustado y nervioso, agudo, con energía vocal alta y más velocidad. El hablante está en un estado de tensión y ansiedad.
	`style="disgruntled"`	Expresa desdén y un tono de queja. La voz de esta emoción muestra desagrado y desprecio.
	`style="serious"`	Expresa un tono estricto e imponente. A menudo, el hablante suena rígido y mucho menos relajado, con una cadencia firme.
	`style="affectionate"`	Expresa un tono cálido y afectuoso, agudo y con una energía vocal alta. El hablante está en un estado que atrae la atención de su interlocutor. La "personalidad" del hablante suele ser simpática por naturaleza.
	`style="gentle"`	Expresa un tono dulce, educado y agradable, con un tono más grave y energía vocal.
	`style="lyrical"`	Expresa emociones de forma melódica y sentimental
`zh-CN-YunyangNeural`	`style="customerservice"`	Expresa un tono amistoso y servicial para atender a clientes
`zh-CN-YunyeNeural`	`style="calm"`	Expresa una actitud interesante, recolectada y compuesta al hablar. El tono, la intensidad y la prosodia son mucho más uniformes en comparación con otros tipos de voz.
	`style="cheerful"`	Expresa un tono animado y entusiasta, agudo y enérgico.
	`style="sad"`	Expresa un tono afligido, agudo, con menos intensidad y poco enérgico. Los indicadores comunes de esta emoción serían lloriqueos o gimoteos al hablar.
	`style="angry"`	Expresa un tono enfadado y molesto, grave, con mayor intensidad y energía vocal más alta. El hablante está en un estado de ira, disgustado y ofendido.
	`style="fearful"`	Expresa un tono asustado y nervioso, agudo, con energía vocal alta y más velocidad. El hablante está en un estado de tensión y ansiedad.
	`style="disgruntled"`	Expresa desdén y un tono de queja. La voz de esta emoción muestra desagrado y desprecio.
	`style="serious"`	Expresa un tono estricto e imponente. A menudo, el hablante suena rígido y mucho menos relajado, con una cadencia firme.
`zh-CN-YunxiNeural`	`style="assistant"`	Expresa un tono cálido y relajado para asistentes digitales
	`style="cheerful"`	Expresa un tono animado y entusiasta, agudo y enérgico.
	`style="sad"`	Expresa un tono afligido, agudo, con menos intensidad y poco enérgico. Los indicadores comunes de esta emoción serían lloriqueos o gimoteos al hablar.
	`style="angry"`	Expresa un tono enfadado y molesto, grave, con mayor intensidad y energía vocal más alta. El hablante está en un estado de ira, disgustado y ofendido.
	`style="fearful"`	Expresa un tono asustado y nervioso, agudo, con energía vocal alta y más velocidad. El hablante está en un estado de tensión y ansiedad.
	`style="disgruntled"`	Expresa desdén y un tono de queja. La voz de esta emoción muestra desagrado y desprecio.
	`style="serious"`	Expresa un tono estricto e imponente. A menudo, el hablante suena rígido y mucho menos relajado, con una cadencia firme.
	`style="depressed"`	Expresa un tono melancólico y pesimista, con un timbre bajo y poca energía
	`style="embarrassed"`	Expresa un tono incierto y dubitativo cuando quien habla se siente incómodo
`zh-CN-XiaohanNeural`	`style="cheerful"`	Expresa un tono animado y entusiasta, agudo y enérgico.
	`style="sad"`	Expresa un tono afligido, agudo, con menos intensidad y poco enérgico. Los indicadores comunes de esta emoción serían lloriqueos o gimoteos al hablar.
	`style="angry"`	Expresa un tono enfadado y molesto, grave, con mayor intensidad y energía vocal más alta. El hablante está en un estado de ira, disgustado y ofendido.
	`style="fearful"`	Expresa un tono asustado y nervioso, agudo, con energía vocal alta y más velocidad. El hablante está en un estado de tensión y ansiedad.
	`style="disgruntled"`	Expresa desdén y un tono de queja. La voz de esta emoción muestra desagrado y desprecio.
	`style="serious"`	Expresa un tono estricto e imponente. A menudo, el hablante suena rígido y mucho menos relajado, con una cadencia firme.
	`style="embarrassed"`	Expresa un tono vacilante e inseguro cuando quien habla se siente incómodo
	`style="affectionate"`	Expresa un tono cálido y afectuoso, agudo y con una energía vocal alta. El hablante está en un estado que atrae la atención de su interlocutor. La "personalidad" del hablante suele ser simpática por naturaleza.
	`style="gentle"`	Expresa un tono dulce, educado y agradable, con un tono más grave y energía vocal.
`zh-CN-XiaomoNeural`	`style="calm"`	Expresa una actitud interesante, recolectada y compuesta al hablar. El tono, la intensidad y la prosodia son mucho más uniformes en comparación con otros tipos de voz.
	`style="cheerful"`	Expresa un tono animado y entusiasta, agudo y enérgico.
	`style="angry"`	Expresa un tono enfadado y molesto, grave, con mayor intensidad y energía vocal más alta. El hablante está en un estado de ira, disgustado y ofendido.
	`style="fearful"`	Expresa un tono asustado y nervioso, agudo, con energía vocal alta y más velocidad. El hablante está en un estado de tensión y ansiedad.
	`style="disgruntled"`	Expresa desdén y un tono de queja. La voz de esta emoción muestra desagrado y desprecio.
	`style="serious"`	Expresa un tono estricto e imponente. A menudo, el hablante suena rígido y mucho menos relajado, con una cadencia firme.
	`style="depressed"`	Expresa un tono melancólico y pesimista, con un timbre bajo y poca energía
	`style="gentle"`	Expresa un tono dulce, educado y agradable, con un tono más grave y energía vocal.
`zh-CN-XiaoxuanNeural`	`style="calm"`	Expresa una actitud interesante, recolectada y compuesta al hablar. El tono, la intensidad y la prosodia son mucho más uniformes en comparación con otros tipos de voz.
	`style="cheerful"`	Expresa un tono animado y entusiasta, agudo y enérgico.
	`style="angry"`	Expresa un tono enfadado y molesto, grave, con mayor intensidad y energía vocal más alta. El hablante está en un estado de ira, disgustado y ofendido.
	`style="fearful"`	Expresa un tono asustado y nervioso, agudo, con energía vocal alta y más velocidad. El hablante está en un estado de tensión y ansiedad.
	`style="disgruntled"`	Expresa desdén y un tono de queja. La voz de esta emoción muestra desagrado y desprecio.
	`style="serious"`	Expresa un tono estricto e imponente. A menudo, el hablante suena rígido y mucho menos relajado, con una cadencia firme.
	`style="depressed"`	Expresa un tono melancólico y pesimista, con un timbre bajo y poca energía
	`style="gentle"`	Expresa un tono dulce, educado y agradable, con un tono más grave y energía vocal.
`zh-CN-XiaoruiNeural`	`style="sad"`	Expresa un tono afligido, agudo, con menos intensidad y poco enérgico. Los indicadores comunes de esta emoción serían lloriqueos o gimoteos al hablar.
	`style="angry"`	Expresa un tono enfadado y molesto, grave, con mayor intensidad y energía vocal más alta. El hablante está en un estado de ira, disgustado y ofendido.
	`style="fearful"`	Expresa un tono asustado y nervioso, agudo, con energía vocal alta y más velocidad. El hablante está en un estado de tensión y ansiedad.
`zh-CN-XiaoshuangNeural`	`style="chat"`	Expresa un tono casual y relajado.

Use esta tabla para comprobar los roles admitidos y sus definiciones.

Role	Descripción
`role="Girl"`	La voz imita a la de una chica.
`role="Boy"`	La voz imita a la de un chico.
`role="YoungAdultFemale"`	La voz imita la de una mujer adulta joven.
`role="YoungAdultMale"`	La voz imita la de un hombre adulto joven.
`role="OlderAdultFemale"`	La voz imita a la de una mujer adulta anciana.
`role="OlderAdultMale"`	La voz imita a la de un hombre adulto anciano.
`role="SeniorFemale"`	La voz imita la de una mujer anciana.
`role="SeniorMale"`	La voz imita la de un hombre anciano.

Ejemplo

Este fragmento de SSML ilustra cómo se utiliza el elemento <mstts:express-as> para cambiar el estilo de habla a 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>

Este fragmento de código SSML muestra cómo se usa el atributo styledegree para cambiar la intensidad del estilo de habla de XiaoxiaoNeural.

<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>

Este fragmento de código SSML muestra cómo se usa el atributo role para cambiar la representación de XiaomoNeural.

<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>

Ajuste de idiomas de habla

Puede ajustar los idiomas de habla para las voces neuronales. Habilite una voz para hablar idiomas diferentes con fluidez (como inglés, español y chino) mediante el elemento <lang xml:lang>. Se trata de un elemento opcional único para el servicio de voz. Sin este elemento, la voz hablará su idioma principal. Actualmente, los ajustes de idioma de habla son compatibles con estas voces neuronales: en-US-JennyMultilingualNeural. Los cambios anteriores se aplican en el nivel de la oración y la palabra. Si un idioma no se admite, el servicio no devolverá ninguna secuencia de audio.

Nota

Actualmente, el elemento <lang xml:lang> es incompatible con los elementos prosody y break. No puede ajustar las pausas y la prosodia como hace con el tono, el contorno, la velocidad, la duración y el volumen de este elemento.

Sintaxis

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

Atributos

Atributo	Descripción	Obligatorio u opcional
`lang`	Especifica los idiomas de habla. Actualmente, el habla de idiomas diferentes es una característica que depende de la voz.	Se necesita si se ajusta el idioma de habla para una voz neuronal. Si se usa `lang xml:lang`, se debe especificar la configuración regional.

Utilice esta tabla para determinar qué idiomas de habla son compatibles para cada voz neuronal.

Voz	Idioma de la configuración regional	Descripción
`en-US-JennyMultilingualNeural`	`lang="en-US"`	Configuración regional de habla en-US, que es la configuración regional principal de esta voz
	`lang="en-CA"`	Idioma de la configuración regional de habla en-CA
	`lang="en-AU"`	Idioma de la configuración regional de habla en-AU
	`lang="en-GB"`	Idioma de la configuración regional de habla en-GB
	`lang="de-DE"`	Idioma de la configuración regional de habla de-DE
	`lang="fr-FR"`	Idioma de la configuración regional de habla fr-FR
	`lang="fr-CA"`	Idioma de la configuración regional de habla fr-CA
	`lang="es-ES"`	Idioma de la configuración regional de habla es-ES
	`lang="es-MX"`	Idioma de la configuración regional de habla es-MX
	`lang="zh-CN"`	Idioma de la configuración regional de habla zh-CN
	`lang="ko-KR"`	Idioma de la configuración regional de habla ko-KR
	`lang="ja-JP"`	Idioma de la configuración regional de habla ja-JP
	`lang="it-IT"`	Idioma de la configuración regional de habla it-IT
	`lang="pt-BR"`	Idioma de la configuración regional de habla pt-BR

Ejemplo

Este fragmento de código SSML muestra cómo usar <lang xml:lang> para cambiar los idiomas de habla a en-US, es-MX y 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>

Adición o supresión de una pausa

Utilice el elemento break para insertar las pausas entre palabras, o para evitar pausas agregadas automáticamente por el servicio de texto a voz.

Nota

Utilice este elemento para invalidar el comportamiento predeterminado de texto a voz de una palabra o frase si el habla sintetizada de esa palabra o frase no suena natural. Establezca strength en none para evitar una pausa prosódica, que inserta automáticamente el servicio de texto a voz.

Sintaxis

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

Atributos

Atributo	Descripción	Obligatorio u opcional
`strength`	Especifica la duración relativa de una pausa mediante uno de los valores siguientes: None x-weak weak medium (default) strong x-strong	Opcional
`time`	Especifica la duración absoluta de una pausa, en segundos o milisegundos. Este valor debe ser inferior a 5000 ms. Los ejemplos de valores válidos son `2s` y `500ms`	Opcional

Intensidad	Descripción
Ninguno, o si no se ha proporcionado ningún valor	0 ms
x-weak	250 ms
weak	500 ms
medio	750 ms
strong	1000 ms
x-strong	1250 ms

Ejemplo

<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>

Incorporación del silencio

Use el elemento mstts:silence para insertar pausas antes o después del texto, o bien entre dos oraciones adyacentes.

Nota

La diferencia entre mstts:silence y break es que break se puede agregar en cualquier lugar del texto, pero el silencio solo funciona al principio o al final del texto de entrada, o entre dos oraciones adyacentes.

Sintaxis

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

Atributos

Atributo	Descripción	Obligatorio u opcional
`type`	Especifica la ubicación en que se debe agregar el silencio: `Leading`: al principio del texto `Tailing`: al final del texto `Sentenceboundary`: entre oraciones adyacentes	Obligatorio
`Value`	Especifica la duración absoluta de una pausa, en segundos o milisegundos. Este valor debe ser inferior a 5000 ms. Los ejemplos de valores válidos son `2s` y `500ms`	Obligatorio

Ejemplo En este ejemplo, mtts:silence se usa para agregar 200 ms de silencio entre dos frases.

<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>

Especificación de párrafos y oraciones

Los elementos p y s se utilizan para indicar párrafos y oraciones, respectivamente. En ausencia de estos elementos, el servicio de texto a voz determina automáticamente la estructura del documento SSML.

El elemento p puede contener texto y los siguientes elementos: audio, break, phoneme, prosody, say-as, sub, mstts:express-as y s.

El elemento s puede contener texto y los siguientes elementos: audio, break, phoneme, prosody, say-as, mstts:express-as y sub.

Sintaxis

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

Ejemplo

<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>

Uso de fonemas para mejorar la pronunciación

El elemento ph se utiliza para la pronunciación fonética en los documentos SSML. El elemento ph solo puede contener texto, no otros elementos. Proporcione siempre una voz natural como reserva.

Los alfabetos fonéticos se componen de segmentos acústicos, que se componen de letras, números o caracteres, a veces en combinación. Cada segmento acústico describe un sonido de voz único. Esto contrasta con el alfabeto latino, donde cualquier letra puede representar múltiples sonidos hablados. Tenga en cuenta las pronunciaciones diferentes de la letra "c" en las palabras "casa" y "cese" o, en inglés, las distintas pronunciaciones de la combinación de letras "th" en las palabras "thing" y "those".

Nota

Actualmente, la etiqueta de fonemas no se admite en estas cinco voces (et-EE-AnuNeural, ga-IE-OrlaNeural, lt-LT-OnaNeural, lv-LV-EveritaNeural y mt-MT-GarceNeural).

Sintaxis

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

Atributos

Atributo	Descripción	Obligatorio u opcional
`alphabet`	Especifica el alfabeto fonético que se utilizará al sintetizar la pronunciación de la cadena en el atributo `ph`. La cadena que especifica el alfabeto debe especificarse en minúsculas. Estos son los posibles alfabetos que puede especificar. `ipa` – Alfabeto fonético internacional `sapi` – Alfabeto fonético del servicio de voz `ups` – Conjunto de segmentos acústicos universal El alfabeto solo se aplica a `phoneme` en el elemento.	Opcional
`ph`	Una cadena que contiene los segmentos acústicos que especifican la pronunciación de la palabra en el elemento `phoneme`. Si la cadena especificada contiene segmentos acústicos no reconocidos, el servicio de texto a voz rechaza todo el documento SSML y no produce ninguna de las salidas de voz especificadas en el documento.	Obligatorio si usa fonemas.

Ejemplos

<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>

Uso de léxico personalizado para mejorar la pronunciación

A veces, el servicio de conversión de texto a voz no puede pronunciar correctamente una palabra. Por ejemplo, el nombre de una empresa o un término médico o un emoji. Los desarrolladores pueden definir cómo se leen las entidades únicas en SSML mediante las etiquetas phoneme y sub. Sin embargo, si tiene que definir cómo se leen varias entidades, puede crear un lexicón personalizado mediante la etiqueta lexicon.

Nota

El lexicón personalizado actualmente admite la codificación UTF-8.

Nota

Actualmente, el léxico personalizado no se admite en estas cinco voces (et-EE-AnuNeural, ga-IE-OrlaNeural, lt-LT-OnaNeural, lv-LV-EveritaNeural y mt-MT-GarceNeural).

Sintaxis

<lexicon uri="string"/>

Atributos

Atributo	Descripción	Obligatorio u opcional
`uri`	Dirección del documento PLS externo.	Necesario.

Uso

Para definir el modo en que se leen varias entidades, puede crear un lexicón personalizado, que se almacena como archivo .xml o .pls. El siguiente es un archivo .xml de ejemplo.

<?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>

El elemento lexicon contiene al menos un elemento lexeme. Cada elemento lexeme contiene al menos un elemento grapheme y uno o varios elementos grapheme, alias y phoneme. El elemento grapheme contiene texto que describe la ortografía de . Los elementos alias se usan para indicar la pronunciación de un acrónimo o un término abreviado. El elemento phoneme proporciona texto que describe cómo se pronuncia lexeme. Cuando el elemento alias y el elemento phoneme se proporcionan junto con el elemento grapheme, alias tiene prioridad.

Importante

El elemento lexeme distingue mayúsculas de minúsculas en el lexicón personalizado. Por ejemplo, si solo proporciona un fonema para lexeme "Hello", no funcionará para lexeme "hello".

El lexicón contiene el atributo xml:lang necesario para indicar a qué configuración regional se debe aplicar. Un lexicón personalizado está limitado a una configuración regional por diseño, por lo que aplicarlo para una configuración regional diferente no funcionará.

Es importante destacar que no se puede establecer directamente la pronunciación de una frase mediante el lexicón personalizado. Si tiene que configurar la pronunciación de un acrónimo o un término abreviado, primero indique un alias y, a continuación, asocie el phoneme con dicho alias. Por ejemplo:

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

Nota

El límite de sílaba es "." en el alfabeto fonético internacional.

También puede proporcionar directamente el alias esperado para el acrónimo o el término abreviado. Por ejemplo:

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

Importante

El elemento phoneme no puede contener espacios en blanco al usar el Alfabeto Fonético Internacional (IPA).

Para obtener más información sobre el archivo de lexicón personalizado, consulte Pronunciation Lexicon Specification (PLS) Version 1.0.

A continuación, publique el archivo de lexicón personalizado. Si bien no existen restricciones sobre dónde se puede almacenar este archivo, se recomienda usar Azure Blob Storage.

Una vez que haya publicado el lexicón personalizado, puede hacer referencia a él desde su SSML.

Nota

El elemento lexicon debe estar dentro del elemento voice.

<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>

Al usar este lexicón personalizado, "BTW" se leerá como "By the way". "Benigni" se leerá con el IPA indicado "bɛˈniːnji".

Dado que es fácil cometer errores en el lexicón personalizado, Microsoft ha proporcionado una herramienta de validación para el lexicón personalizado. Proporciona mensajes de error detallados que le ayudarán a encontrar errores. Antes de enviar SSML con un lexicón personalizado al servicio de voz, debe comprobar el lexicón personalizado con esta herramienta.

Limitaciones

Tamaño de archivo: el límite máximo del tamaño de archivo de léxico personalizado es de 100 KB. Si supera este tamaño, se producirá un error en la solicitud de síntesis.
Actualización de la caché de léxico: el léxico personalizado se almacenará en caché con el URI como clave en el servicio TTS cuando se cargue por primera vez. El léxico con el mismo URI no se volverá a cargar durante 15 minutos, por lo que el cambio del léxico personalizado tardará un máximo de 15 minutos en aplicarse.

Conjuntos fonéticos del servicio de voz

En el ejemplo anterior, usamos el alfabeto fonético internacional, conocido también como conjunto de fonos IPA. Se recomienda que los desarrolladores usen este conjunto de fonos, ya que es el estándar internacional. En algunos caracteres del IPA, tienen la versión "precompuesta" y "descompuesta" cuando se representan con Unicode. El lexicón personalizado solo admite caracteres Unicode descompuestos.

Dado que este alfabeto no es fácil de recordar, el servicio de voz define un conjunto fonético para siete idiomas (en-US, fr-FR, de-DE, es-ES, ja-JP, zh-CN y zh-TW).

x-microsoft-sapi se puede usar como valor para el atributo alphabet con léxicos personalizados, como se muestra a continuación:

<?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>

Para más información sobre el alfabeto fonético del servicio de voz detallado, consulte los conjuntos fonéticos del servicio de voz.

Ajuste de la prosodia

El elemento prosody se utiliza para especificar los cambios en el tono, la curva melódica, el rango, la velocidad, la duración y el volumen de la salida de texto a voz. El elemento prosody puede contener texto y los siguientes elementos: audio, break, p, phoneme, prosody, say-as, sub y s.

Dado que los valores de los atributos prosódicos pueden variar en un amplio rango, el reconocedor de voz interpreta los valores asignados como una sugerencia de cuáles deben ser los valores prosódicos reales de la voz seleccionada. El servicio de texto a voz limita o sustituye valores que no son compatibles. Ejemplos de valores no compatibles son un tono de 1 MHz o un volumen de 120.

Sintaxis

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

Atributos

Atributo	Descripción	Obligatorio u opcional
`pitch`	Indica el tono de la línea de referencia del texto. Puede expresar el tono como: Un valor absoluto, expresado como un número seguido de "Hz" (Hercios). Por ejemplo, `<prosody pitch="600Hz">some text</prosody>`. Un valor relativo, expresado como un número precedido por "+" o "-" y seguido por "Hz" o "st", que especifica una cantidad para cambiar el tono. Por ejemplo: `<prosody pitch="+80Hz">some text</prosody>` o `<prosody pitch="-2st">some text</prosody>`. La "st" indica que la unidad de cambio es un semitono, que es la mitad de un tono (medio paso) en la escala diatónica estándar. Un valor constante: x-low low medio high x-high default	Opcional
`contour`	El contorno ahora admite voces neuronales y estándar. El contorno representa los cambios en el tono. Estos cambios se representan como una matriz de objetivos en posiciones de tiempo específicas en la salida de voz. Cada destino se define por conjuntos de pares de parámetros. Por ejemplo: `<prosody contour="(0%,+20Hz) (10%,-2st) (40%,+10Hz)">` El primer valor de cada conjunto de parámetros especifica la ubicación del cambio de tono como porcentaje de la duración del texto. El segundo valor especifica la cantidad para subir o bajar el tono, mediante un valor relativo o un valor de enumeración para el tono (consulte `pitch`).	Opcional
`range`	Un valor que representa el rango del tono para el texto. Puede expresar `range` mediante los mismos valores absolutos, valores relativos o valores de enumeración usados para describir `pitch`.	Opcional
`rate`	Indica la velocidad de habla del texto. Puede expresar `rate` como: Un valor relativo, expresado como un número que actúa como multiplicador del valor predeterminado. Por ejemplo, un valor de 1 no da como resultado ningún cambio en la velocidad. Un valor de 0,5 da como resultado la mitad de la velocidad. Un valor de 3 da como resultado el triple de la velocidad. Un valor constante: x-slow lento medio fast x-fast default	Opcional
`duration`	El período de tiempo que debe transcurrir mientras el servicio de síntesis de voz lee el texto, en segundos o milisegundos. Por ejemplo, 2 s o 1800 ms. La duración solo admite voces estándar.	Opcional
`volume`	Indica el nivel de volumen de la voz. Puede expresar el volumen como: Un valor absoluto, expresado como un número en el rango de 0,0 a 100,0, de más silencioso a más alto. Por ejemplo, 75. El valor predeterminado es 100.0. Un valor relativo, expresado como un número precedido por "+" o "-" que especifica una cantidad para cambiar el volumen. Por ejemplo, +10 o -5,5. Un valor constante: silent x-soft soft medio loud x-loud default	Opcional

Cambio de la velocidad de habla

La velocidad de habla puede aplicarse tanto a voces neuronales como a voces estándar en el nivel de palabra o frase.

Ejemplo

<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>

Cambio de volumen

Los cambios de volumen pueden aplicarse a voces estándar en el nivel de palabra o frase. Sin embargo, solo pueden aplicarse a voces neuronales en el nivel de frase.

Ejemplo

<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>

Cambio de tono

Los cambios de tono pueden aplicarse a voces estándar en el nivel de palabra o frase. Sin embargo, solo pueden aplicarse a voces neuronales en el nivel de frase.

Ejemplo

<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>

Cambio de curva melódica

Importante

Los cambios de curva melódica ahora son compatibles con las voces neuronales.

Ejemplo

<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>

Elemento Say-as

say-as es un elemento opcional que indica el tipo de contenido (por ejemplo, el número o la fecha) del texto del elemento. De esta forma se proporcionan instrucciones al motor de síntesis de voz sobre cómo pronunciar el texto.

Sintaxis

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

Atributos

Atributo	Descripción	Obligatorio u opcional
`interpret-as`	Indica el tipo de contenido del texto del elemento. Para ver una lista de tipos, consulte la tabla siguiente.	Obligatorio
`format`	Proporciona información adicional sobre el formato preciso del texto del elemento para los tipos de contenido que pueden tener formatos ambiguos. SSML define formatos para los tipos de contenido que los usan (vea la tabla siguiente).	Opcional
`detail`	Indica el nivel de detalle con que se va a hablar. Por ejemplo, este atributo puede solicitar que el motor de síntesis de voz pronuncie signos de puntuación. No hay valores estándar definidos para `detail`.	Opcional

A continuación se muestran los tipos de contenido admitidos para los atributos interpret-as y format. Incluya el atributo format solo si interpret-as está establecido en la fecha y hora.

interpret-as	format	Interpretación
`address`		El texto se pronuncia como una dirección. El motor de síntesis de voz pronuncia: `I'm at <say-as interpret-as="address">150th CT NE, Redmond, WA</say-as>` Como "Estoy en el número 150 de Court North East Redmond, en Washington".
`cardinal`, `number`		El texto se pronuncia como un número cardinal. El motor de síntesis de voz pronuncia: `There are <say-as interpret-as="cardinal">3</say-as> alternatives` Como "Hay tres alternativas".
`characters`, `spell-out`		El texto se pronuncia como letras individuales (deletreadas). El motor de síntesis de voz pronuncia: `<say-as interpret-as="characters">test</say-as>` Como "T E S T".
`date`	dmy, mdy, ymd, ydm, ym, my, md, dm, d, m, y	El texto se pronuncia como una fecha. El atributo `format` especifica el formato de la fecha (d=día, m=mes, y=año) . El motor de síntesis de voz pronuncia: `Today is <say-as interpret-as="date" format="mdy">10-19-2016</say-as>` Como "Hoy es el diecinueve de octubre de 2016".
`digits`, `number_digit`		El texto se pronuncia como una secuencia de dígitos individuales. El motor de síntesis de voz pronuncia: `<say-as interpret-as="number_digit">123456789</say-as>` Como "1 2 3 4 5 6 7 8 9".
`fraction`		El texto se pronuncia como un número fraccionario. El motor de síntesis de voz pronuncia: `<say-as interpret-as="fraction">3/8</say-as> of an inch` Como "tres octavos de pulgada".
`ordinal`		El texto se pronuncia como un número ordinal. El motor de síntesis de voz pronuncia: `Select the <say-as interpret-as="ordinal">3rd</say-as> option` Como "Seleccionar la tercera opción".
`telephone`		El texto se pronuncia como un número de teléfono. El atributo `format` puede contener dígitos que representan un código de país. Por ejemplo, "1" para Estados Unidos o "39" para Italia. El motor de síntesis de voz puede utilizar esta información para orientar la pronunciación de un número de teléfono. El número de teléfono también puede incluir el código de país y, si es así, tiene prioridad sobre el código de país de `format`. El motor de síntesis de voz pronuncia: `The number is <say-as interpret-as="telephone" format="1">(888) 555-1212</say-as>` Como "Mi número es el código de área ocho ocho ocho cinco cinco cinco uno dos uno dos".
`time`	hms12, hms24	El texto se pronuncia como una hora. El atributo `format` especifica si la hora se especifica mediante un reloj de 12 horas (hms12) o de 24 horas (hms24). Use un signo de dos puntos para separar los números que representan las horas, los minutos y los segundos. Los siguientes son ejemplos de horas válidos: 12:35, 1:14:32, 08:15 y 02:50:45. El motor de síntesis de voz pronuncia: `The train departs at <say-as interpret-as="time" format="hms12">4:00am</say-as>` Como "El tren sale a las cuatro A. M.".
`name`		El texto se pronuncia como un nombre de persona. El motor de síntesis de voz pronuncia: `<say-as interpret-as="name">ED</say-as>` as [æd]. En los nombres chinos, algunos caracteres se pronuncian de forma diferente cuando aparecen en un nombre de familia. Por ejemplo, el motor de síntesis de voz dice 仇 en `<say-as interpret-as="address">仇先生</say-as>` como [qiú] en lugar de [chóu].

Uso

El elemento say-as solo puede contener texto.

Ejemplo

El motor de síntesis de voz pronuncia el ejemplo siguiente como "Su primera solicitud fue de una habitación el diecinueve de octubre de dos mil diez con llegada a las diecisiete treinta y cinco".

<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>

Adición del audio grabado

audio es un elemento opcional que le permite insertar audio MP3 en un documento SSML. El cuerpo del elemento de audio puede contener texto sin formato o marcado SSML que se lee en voz alta si el archivo de audio no está disponible o no se puede reproducir. Además, el elemento audio puede contener texto y los siguientes elementos: audio, break, p, s, phoneme, prosody, say-as y sub.

Cualquier audio incluido en el documento SSML debe cumplir estos requisitos:

El archivo MP3 debe estar hospedado en un punto de conexión HTTPS accesible desde Internet. Se debe usar HTTPS y el dominio que hospeda el archivo MP3 debe presentar un certificado TLS/SSL válido y de confianza.
El archivo MP3 debe ser válido (MPEG V2).
La velocidad de bits debe ser de 48 kbps.
La frecuencia de muestreo debe ser de 16 000 Hz.
El tiempo total combinado de todos los archivos de texto y audio de una sola respuesta no puede superar los noventa (90) segundos.
El archivo MP3 no debe contener ninguna información específica del cliente ni otra que sea confidencial.

Sintaxis

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

Atributos

Atributo	Descripción	Obligatorio u opcional
`src`	Especifica la ubicación o la URL del archivo de audio.	Es obligatorio si se usa el elemento de audio en el documento SSML.

Ejemplo

<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>

Adición de audio de fondo

El elemento mstts:backgroundaudio permite agregar audio de fondo a los documentos SSML (o mezclar un archivo de audio con el servicio de texto a voz). Con mstts:backgroundaudio, puede reproducir en bucle un archivo de audio de fondo, hacer que aparezca gradualmente al principio de la conversión de texto a voz y quitarlo gradualmente al final de la conversión de texto a voz.

Si el audio de fondo proporcionado dura menos que la conversión de texto a voz o el fundido de salida, se reproducirá en bucle. Si dura más que la conversión de texto a voz, se detendrá cuando finalice el fundido de salida.

Solo se permite un archivo de audio de fondo por cada documento SSML. Sin embargo, puede intercalar etiquetas audio dentro del elemento voice para agregar audio adicional al documento SSML.

Sintaxis

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

Atributos

Atributo	Descripción	Obligatorio u opcional
`src`	Especifica la ubicación o la URL del archivo de audio de fondo.	Es obligatorio si se usa el audio de fondo en el documento SSML.
`volume`	Especifica el volumen del archivo de audio de fondo. Valores aceptados: de `0` a `100`, ambos incluidos. El valor predeterminado es `1`.	Opcional
`fadein`	Especifica la duración del "fundido" de entrada del audio de fondo en milisegundos. El valor predeterminado es `0`, que equivale a ningún fundido de entrada. Valores aceptados: de `0` a `10000`, ambos incluidos.	Opcional
`fadeout`	Especifica la duración del fundido de salida del audio de fondo en milisegundos. El valor predeterminado es `0`, que equivale a ningún fundido de salida. Valores aceptados: de `0` a `10000`, ambos incluidos.	Opcional

Ejemplo

<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>

Elemento marcador

El elemento marcador permite insertar marcadores personalizados en SSML para obtener el desplazamiento de cada marcador en la secuencia de audio. No se leerán los elementos de marcador. El elemento de marcador se puede usar para hacer referencia a una ubicación específica en la secuencia de texto o etiqueta.

Nota

Por ahora, el elemento bookmark solo funciona para la voz en-US-AriaNeural.

Sintaxis

<bookmark mark="string"/>

Atributos

Atributo	Descripción	Obligatorio u opcional
`mark`	Especifica el texto de referencia del elemento `bookmark`.	Necesario.

Ejemplo

Por ejemplo, puede que desee conocer el desplazamiento de tiempo de cada palabra de flores como se indica a continuación

<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>

Obtención de un marcador mediante el SDK de voz

Puede suscribirse al evento BookmarkReached de SDK de voz para obtener los desplazamientos del marcador.

Nota

El evento BookmarkReached solo está disponible desde la versión 1.16 del SDK de voz.

Los eventos BookmarkReached se generan cuando los datos de audio de salida están disponibles, lo que será más rápido que la reproducción en un dispositivo de salida.

AudioOffset informa del tiempo transcurrido del audio de salida entre el inicio de la síntesis y el elemento de marcador. Se mide en unidades de centenares de nanosegundos (SNP)y 10 000 SNP equivalen a 1 milisegundo.
Text es el texto de referencia del elemento de marcador, que es la cadena que se establece en el atributo mark.

Para más información, consulte BookmarkReached .

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}.");
};

En el ejemplo de SSML anterior, el evento BookmarkReached se desencadenará dos veces y el resultado de la consola será

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

Para más información, consulte BookmarkReached .

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;
};

En el ejemplo de SSML anterior, el evento BookmarkReached se desencadenará dos veces y el resultado de la consola será

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

Para más información, consulte BookmarkReached .

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() + ".");
});

En el ejemplo de SSML anterior, el evento BookmarkReached se desencadenará dos veces y el resultado de la consola será

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

Para más información, consulte bookmark_reached .

# 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)))

En el ejemplo de SSML anterior, el evento bookmark_reached se desencadenará dos veces y el resultado de la consola será

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

Para más información, consulte bookmarkReached.

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

En el ejemplo de SSML anterior, el evento bookmarkReached se desencadenará dos veces y el resultado de la consola será

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

Para más información, consulte addBookmarkReachedEventHandler .

[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);
}];

En el ejemplo de SSML anterior, el evento BookmarkReached se desencadenará dos veces y el resultado de la consola será

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

Pasos siguientes

Compatibilidad de idiomas: voces, configuraciones regionales e idiomas

Mejora de la síntesis con el Lenguaje de marcado de síntesis de voz (SSML)

Valore su experiencia

Voces neuronales y personalizadas

Caracteres especiales

Elementos SSML admitidos

Creación de un documento SSML

Elección de una voz para la conversión de texto a voz

Uso de varias voces

Ajuste de los estilos de habla

Ajuste de idiomas de habla

Adición o supresión de una pausa

Incorporación del silencio

Especificación de párrafos y oraciones

Uso de fonemas para mejorar la pronunciación

Uso de léxico personalizado para mejorar la pronunciación

Ajuste de la prosodia

Cambio de la velocidad de habla

Cambio de volumen

Cambio de tono

Cambio de curva melódica

Elemento Say-as

Adición del audio grabado

Adición de audio de fondo

Elemento marcador

Obtención de un marcador mediante el SDK de voz

Pasos siguientes