Förbättra syntesen med Speech Synthesis Markup Language (SSML)

Speech Synthesis Markup Language (SSML) är ett XML-baserat markupspråk som utvecklare kan använda för att ange hur indatatext konverteras till syntetiserat tal med hjälp av text till tal-tjänsten. Jämfört med oformaterad text gör SSML att utvecklare kan finjustera tonhöjd, uttal, talhastighet, volym och mer av text till tal-utdata. Normala skiljetecken, till exempel att pausa efter en punkt eller använda rätt intonation när en mening slutar med ett frågetecken, hanteras automatiskt.

Speech Service-implementeringen av SSML baseras på World Wide Web Consortium Speech Synthesis Markup Language version 1.0.

Neurala och anpassade röster

Använd en mänsklig neural röst eller skapa en egen anpassad röst som är unik för din produkt eller ditt varumärke. En fullständig lista över språk, språk och röster som stöds finns i språkstöd. Mer information om neurala och anpassade röster finns i Översikt över text till tal.

Specialtecken

När du använder SSML bör du komma ihåg att specialtecken, till exempel citattecken, apostrofer och hakparenteser måste hoppas över. Mer information finns i Extensible Markup Language (XML) 1.0: Bilaga D.

SSML-element som stöds

Varje SSML-dokument skapas med SSML-element (eller taggar). De här elementen används för att justera tonhöjd, prosody, volym med mera. I följande avsnitt beskrivs hur varje element används och när ett element krävs eller är valfritt.

Skapa ett SSML-dokument

speak är rotelementet och krävs för alla SSML-dokument. Elementet speak innehåller viktig information, till exempel version, språk och ordförrådsdefinition.

Syntax

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

Attribut

Välj en röst för text till tal

Elementet voice är obligatoriskt. Den används för att ange rösten som används för text till tal.

Syntax

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

Attribut

Exempel

<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>

Använda flera röster

I speak elementet kan du ange flera röster för text till tal-utdata. Dessa röster kan finnas på olika språk. För varje röst måste texten vara omsluten i ett voice -element.

Attribut

Exempel

<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>

Justera talstil

Som standard syntetiserar text till tal-tjänsten text med en neutral talstil för neurala röster. Du kan justera talstilen för att uttrycka olika känslor, till exempel känslor, empati och lugn, eller optimera rösten för olika scenarier som kundtjänst, nyhetssändning och röstassistent med hjälp av mstts:express-as elementet . Det här är ett valfritt element som är unikt för Speech-tjänsten.

Justering av talstil stöds för närvarande för följande neurala röster:

• 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

Intensiteten i talstilen kan ändras ytterligare för att bättre passa ditt användningsfall. Du kan ange en starkare eller mjukare stil med styledegree för att göra talet mer uttrycksfullt eller undermålat. Justering av talstil stöds för närvarande för neurala kinesiska röster (mandarin, förenklad).

Förutom att justera talstilarna och stilgraden kan du även justera parametern så att rösten role imiterar en annan ålder och ett annat kön. En mans röst kan till exempel höja tonhöjden och ändra intonationen till att imitera en kvinnas röst, men röstnamnet ändras inte. För närvarande stöds rolljusteringar för dessa neurala kinesiska röster (mandarin, förenklad):

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

Ovanstående ändringar tillämpas på meningsnivå och formaten och rollspelen varierar beroende på röst. Om ett format eller rollspel inte stöds returnerar tjänsten tal på standardneutralt sätt. Du kan se vilka format och roller som stöds för varje röst via API:et för röstlistor eller via den kodfria Skapa ljudinnehåll plattformen.

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>

Attribut

Använd den här tabellen för att avgöra vilka talformat som stöds för varje neural röst.

Använd den här tabellen för att kontrollera vilka roller och deras definitioner som stöds.

Exempel

Det här SSML-kodfragmentet <mstts:express-as> illustrerar hur elementet används för att ändra talstilen till 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>

Det här SSML-kodfragmentet illustrerar hur attributet används för att ändra intensiteten i styledegree talstilen för XiadockaoNestil.

<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>

Det här SSML-kodfragmentet role illustrerar hur attributet används för att ändra rollspel för XiaavsnittEt.

<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>

Justera talspråk

Du kan justera talspråk för neurala röster. Gör det möjligt för en röst att tala olika språk flytande (t.ex. engelska, spanska och kinesiska) med hjälp av <lang xml:lang> elementet . Det här är ett valfritt element som är unikt för Speech-tjänsten. Utan det här elementet talar rösten sitt primära språk. För närvarande stöds språkjusteringar för dessa neurala röster: en-US-JennyMultilingualNeural . Ändringarna ovan tillämpas på meningsnivå och ordnivå. Om ett språk inte stöds returnerar tjänsten ingen ljudström.

Syntax

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

Attribut

Använd den här tabellen för att avgöra vilka språk som stöds för varje neural röst.

Exempel

Det här SSML-kodfragmentet visar hur <lang xml:lang> du använder för att ändra talspråken till och 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>

Lägga till eller ta bort en paus

Använd elementet för att infoga pauser (eller pauser) mellan ord eller förhindra pauser som läggs till automatiskt av break text till tal-tjänsten.

Syntax

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

Attribut

Exempel

<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>

Lägg till tystnad

Använd elementet mstts:silence för att infoga pauser före eller efter text, eller mellan de två intilliggande meningarna.

Syntax

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

Attribut

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

<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>

Ange stycken och meningar

p - och -element används för att ange stycken s respektive meningar. I avsaknad av dessa element bestämmer text till tal-tjänsten automatiskt strukturen för SSML-dokumentet.

Elementet p kan innehålla text och följande element: , , , , audio , , , och break phoneme prosody say-as sub mstts:express-as s .

Elementet s kan innehålla text och följande element: , , , , audio , och break phoneme prosody say-as mstts:express-as sub .

Syntax

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

Exempel

<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>

Använda fonem för att förbättra uttalet

Elementet ph används för för fonetiskt uttal i SSML-dokument. Elementet ph får bara innehålla text, inga andra element. Tillhandahåll alltid tal som kan läsas av människor som reserv.

Fonetiska alfabet består av telefoner, som består av bokstäver, siffror eller tecken, ibland i kombination. Varje telefon beskriver ett unikt talljud. Detta skiljer sig från det latinska alfabetet, där alla bokstäver kan representera flera talade ljud. Tänk på de olika uttalen av bokstaven "c" med orden "candy" och "upphör", eller de olika uttalen av bokstavskombinationen "th" i orden "thing" och "those".

Syntax

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

Attribut

Exempel

<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>

Använda anpassad lexikon för att förbättra uttalet

Ibland kan text till tal-tjänsten inte exakt uttala ett ord. Till exempel namnet på ett företag, en medicinsk term eller en emoji. Utvecklare kan definiera hur enskilda entiteter läses i SSML med phoneme taggarna sub och . Men om du behöver definiera hur flera entiteter ska läsas kan du skapa en anpassad lexikon med hjälp av lexicon taggen .

Syntax

<lexicon uri="string"/>

Attribut

Användning

Om du vill definiera hur flera entiteter ska läsas kan du skapa en anpassad lexikon som lagras som en .xml- eller .pls-fil. Följande är ett exempel .xml fil.

<?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>

Elementet lexicon innehåller minst ett lexeme element. Varje lexeme element innehåller minst ett element och ett eller flera grapheme grapheme alias elementen , och phoneme . Elementet grapheme innehåller text som beskriver ortografin . Elementen alias används för att ange uttalet av en förkortning eller en förkortad term. Elementet phoneme innehåller text som beskriver hur lexeme uttalas. När alias phoneme - och -element tillhandahålls med samma grapheme element har högre alias prioritet.

Lexikonen innehåller xml:lang nödvändigt attribut för att ange vilka språk som det ska användas för. En anpassad lexikon är begränsad till ett språk, så det fungerar inte att använda det för ett annat språk.

Observera att du inte kan ange uttalet av en fras direkt med hjälp av den anpassade lexikonen. Om du behöver ange uttalet för en förkortning eller en förkortad term anger du först ett alias och associerar sedan phoneme med den alias . Exempel:

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

Du kan också ange din alias förväntade förkortning eller förkortade term direkt. Exempel:

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

Mer information om anpassad Lexicon-fil finns i Uttal Lexicon Specification (PLS) Version 1.0.

Publicera sedan din anpassade Lexicon-fil. Även om vi inte har några begränsningar för var den här filen kan lagras rekommenderar vi att du använder Azure Blob Storage.

När du har publicerat din anpassade lexikon kan du referera till den från din 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>

När du använder den här anpassade lexikonen läses "SMILE" som "By the way". "Benigni" kommer att läsas med den angivna IPA:en "bééni énji".

Eftersom det är enkelt att göra misstag i custom lexicon tillhandahåller Microsoft valideringsverktyget för custom lexicon. Den innehåller detaljerade felmeddelanden som hjälper dig att hitta fel. Innan du skickar SSML med en anpassad lexikon till Speech-tjänsten bör du kontrollera din anpassade lexikon med det här verktyget.

Begränsningar

• Filstorlek: storleksgränsen för anpassade Lexicon-filer är 100 kB. Om den här storleken är större än så misslyckas syntesbegäran.
• Uppdatering av lexikoncache: custom lexicon cachelagras med URI som nyckel i TTS-tjänsten när den läses in för första gången. Lexikon med samma URI läse inte in igen inom 15 minuter, så anpassad lexikonändring måste vänta högst 15 minuter för att gälla.

Fonetiska uppsättningar för Speech-tjänsten

I exemplet ovan använder vi det internationella fonetiska alfabetet, även kallat IPA-telefonuppsättning. Vi föreslår att utvecklare använder IPA eftersom det är den internationella standarden. För vissa IPA-tecken har de versionen "förkompilerad" och "decomposed" när de representeras med Unicode. Custom Lexicon har endast stöd för de nedkompilerade Unicode-formaten.

Med tanke på att IPA inte är lätt att komma ihåg definierar Speech-tjänsten en fonetiska uppsättning för sju språk ( en-US , , , , , , och fr-FR de-DE es-ES ja-JP zh-CN zh-TW ).

Du kan använda x-microsoft-sapi som värde för alphabet attributet med anpassade lexikoner enligt nedan:

<?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>

Mer information om det detaljerade fonetiska alfabetet för Speech-tjänsten finns i Taltjänstens fonetiska uppsättningar.

Justera prosodi

Elementet prosody används för att ange ändringar för tonhöjd, intervall, frekvens, varaktighet och volym för text-till-tal-utdata. Elementet prosody kan innehålla text och följande element: , , , , audio , , , och break p phoneme prosody say-as sub s .

Eftersom prosodic-attributvärden kan variera över ett brett intervall tolkar taligenkänningen de tilldelade värdena som ett förslag på vad de faktiska prosodic-värdena för den valda rösten ska vara. Text till tal-tjänsten begränsar eller ersätter värden som inte stöds. Exempel på värden som inte stöds är en pitch på 1 MHz eller en volym på 120.

Syntax

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

Attribut

Ändra talfrekvens

Talfrekvensen kan tillämpas på neurala röster och standardröster på ord- eller meningsnivå.

Exempel

<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>

Ändra volym

Volymändringar kan tillämpas på standardröster på ord- eller meningsnivå. Volymändringar kan bara tillämpas på neurala röster på meningsnivå.

Exempel

<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>

Ändra tonläge

Pitchändringar kan tillämpas på standardröster på ord- eller meningsnivå. Pitchändringar kan bara tillämpas på neurala röster på meningsnivå.

Exempel

<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>

Ändra tonhöjd

Exempel

<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 är ett valfritt element som anger innehållstypen (till exempel nummer eller datum) för elementets text. Detta ger vägledning till talsyntesmotorn om hur texten ska uttalas.

Syntax

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

Attribut

Följande är de innehållstyper som stöds för interpret-as attributen format och . Inkludera format attributet endast om interpret-as har angetts till datum och tid.

Användning

Elementet say-as får bara innehålla text.

Exempel

Talsyntesmotorn talar följande exempel som "Din första begäran var för ett rum i oktober kl. 20 med tidig ankomst kl. 12:00.00".

<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>

Lägg till inspelat ljud

audio är ett valfritt element som gör att du kan infoga MP3-ljud i ett SSML-dokument. Brödtexten i ljudelementet kan innehålla oformaterad text eller SSML-markering som talas om ljudfilen inte är tillgänglig eller inte kan spelas upp. Dessutom kan elementet audio innehålla text och följande element: , , , , , audio , , och break p s phoneme prosody say-as sub .

Ljud som ingår i SSML-dokumentet måste uppfylla följande krav:

• MP3 måste finnas på en INTERNET-tillgänglig HTTPS-slutpunkt. HTTPS krävs och domänen som är värd för MP3-filen måste innehålla ett giltigt, betrott TLS/SSL-certifikat.
• MP3 måste vara en giltig MP3-fil (MPEG v2).
• Bithastigheten måste vara 48 kbit/s.
• Samplingsfrekvensen måste vara 16 000 Hz.
• Den sammanlagda totala tiden för alla text- och ljudfiler i ett enda svar får inte överstiga nittio (90) sekunder.
• MP3 får inte innehålla kundspecifik eller annan känslig information.

Syntax

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

Attribut

Exempel

<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>

Lägg till bakgrundsljud

Med mstts:backgroundaudio elementet kan du lägga till bakgrundsljud i dina SSML-dokument (eller blanda en ljudfil med text till tal). Med kan du loopa en ljudfil i bakgrunden, tona in i början av text till tal och tona ut i slutet av mstts:backgroundaudio text till tal.

Om bakgrundsljudet är kortare än text till tal eller tona ut loopas det. Om det är längre än text-till-tal stoppas den när toningen är klar.

Endast en bakgrundsljudfil tillåts per SSML-dokument. Du kan dock intersperse-taggar audio i elementet för att lägga till ytterligare ljud i voice SSML-dokumentet.

Syntax

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

Attribut

Exempel

<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>

Bokmärkeselement

Med bokmärkeselementet kan du infoga anpassade markörer i SSML för att hämta förskjutningen för varje markör i ljudströmmen. Vi kommer inte att läsa upp bokmärkeselementen. Bokmärkeselementet kan användas för att referera till en specifik plats i text- eller taggsekvensen.

Syntax

<bookmark mark="string"/>

Attribut

Exempel

Du kanske till exempel vill veta tidsförskjutningen för varje blommans ord enligt följande

<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>

Hämta bokmärke med hjälp av Speech SDK

Du kan prenumerera på händelsen BookmarkReached i Speech SDK för att hämta bokmärkesförskjutningarna.

BookmarkReached händelser utlöses när utdata från ljuddata blir tillgängliga, vilket är snabbare än uppspelning till en utdataenhet.

• AudioOffset rapporterar utdataljudens förfluten tid mellan början av syntesen och bokmärkeselementet. Detta mäts i hundra nanosekundersenheter (HNS) med 10 000 HNS motsvarande 1 millisekunder.
• Text är referenstexten för bokmärkeselementet, vilket är den sträng som du anger i mark attributet.

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.

Nästa steg

• Språkstöd: röster, språk, språk