Konuşma Sentezi Biçimlendirme Dili (SSML) ile sentezi geliştirme

Konuşma Sentezi Biçimlendirme Dili (SSML), geliştiricilerin metin okuma hizmetini kullanarak giriş dilinin sentezlenmiş konuşmaya nasıl dönüştürüleceğini belirtmesini sağlayan XML tabanlı bir biçimlendirme dilidir. Düz metinle karşılaştırıldığında, SSML geliştiricilerin metin okuma çıkışında ses perdesi, söyleniş, konuşma hızı ve ses düzeyi gibi çeşitli özelliklerde ince ayar yapmasına olanak tanır. Noktadan sonra duraklama veya soru işaretiyle biten bir tümcede doğru tonlamayı kullanma gibi normal noktalama işaretleri otomatik olarak işlenir.

SSML'nin Konuşma hizmeti uygulaması, World Wide Web Konsorsiyumu Konuşma Sentezi Biçimlendirme Dili Sürüm 1.0'a dayalıdır.

Sinirsel ve özel ses

İnsan benzeri bir nöral ses kullanın veya kendi özel sesinizi ürün veya markanıza özel olarak oluşturun. Desteklenen dillerin, yerel dillerin ve seslerin tam listesi için bkz. dil desteği. Sinirsel ve özel ses hakkında daha fazla bilgi edinmek için bkz. Metinlere genel bakış.

Özel karakterler

SSML kullanırken tırnak işaretleri, kesme işaretleri ve köşeli ayraçlar gibi özel karakterlerin kaçmalıdır. Daha fazla bilgi için bkz. genişletilebilir biçimlendirme dili (XML) 1.0: Ek D.

Desteklenen SSML öğeleri

Her SSML belgesi SSML öğeleriyle (veya etiketlerle) oluşturulur. Bu öğeler perdeyi, prosyili, hacmi ve daha fazlasını ayarlamak için kullanılır. Aşağıdaki bölümlerde, her bir öğenin nasıl ve ne zaman gerekli veya isteğe bağlı bir öğe olduğu açıklanmaktadır.

SSML belgesi oluşturma

speak kök öğesidir ve tüm SSML belgeleri için gereklidir. öğesi speak sürüm, dil ve işaretleme sözlüğü tanımı gibi önemli bilgileri içerir.

Syntax

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

Öznitelikler

Metinler için ses seçme

voiceöğesi gereklidir. Metin konuşma için kullanılan sesi belirtmek için kullanılır.

Syntax

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

Öznitelikler

Örnek

<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>

Birden çok ses kullanma

öğesinin speak içinde, metinden konuşma çıkışı için birden çok ses belirtebilirsiniz. Bu sesler farklı dillerde olabilir. Her ses için metnin bir öğede sarmalanmış olması voice gerekir.

Öznitelikler

Örnek

<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>

Konuşma stillerini ayarlama

Varsayılan olarak metin okuma hizmeti metni sentezlerken nöral sesler için nötral konuşma stilini kullanır. Konuşma stilini, öğesini kullanarak; üslup, empati ve sakinlik gibi farklı duyguları ifade etmek için ayarlayabilir veya müşteri hizmetleri, haber yayını ve sesli yardımcı gibi farklı senaryolar için sesi mstts:express-as iyileştirirsiniz. Bu, Konuşma hizmeti özgü isteğe bağlı bir öğedir.

Şu anda konuşma stili ayarlamaları aşağıdaki nöral seslerde de destek almaktadır:

• 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

Konuşma stilinin yoğunluğu, kullanım durumunuz için daha uygun olacak şekilde değiştirilebilir. Konuşmayı daha ifadeli veya alttan ifade etmek için ile daha güçlü veya daha styledegree yumuşak bir stil belirtsiniz. Şu anda konuşma stili ayarlamaları Çince (Mandarin, Basitleştirilmiş) sinir sesleri için de destek sunmaktadır.

Konuşma stillerini ve stil derecesini ayarlamanın yanı sıra, sesi farklı bir yaş ve cinsiyet taklit eden bir parametre role de ayarlayabilirsiniz. Örneğin, bir erkek sesi perdeyi yükseltin ve bir kadın sesi taklit etmek için tonasyonu değiştirebilir, ancak ses adı değişmez. Şu anda rol ayarlamaları şu Çince (Mandarin, Basitleştirilmiş) sinir sesleri için de desteklemaktadır:

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

Yukarıdaki değişiklikler cümle düzeyinde uygulanır ve stiller ve rol oyunları sese göre değişiklik gösterir. Bir stil veya rol oyunu desteklenmiyorsa, hizmet varsayılan nötr konuşma yolunda konuşma geri döner. Ses listesi API'si aracılığıyla veya kod olmayan ses platformu aracılığıyla her ses için hangi stillerin ve rollerin Ses İçeriği Oluşturma edinebilirsiniz.

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>

Öznitelikler

Her bir nöral ses için desteklenen konuşma stillerini belirlemek için bu tabloyu kullanın.

Desteklenen rolleri ve tanımlarını kontrol etmek için bu tabloyu kullanın.

Örnek

Bu SSML kod parçacığı, öğesinin <mstts:express-as> konuşma stilini olarak değiştirmek için nasıl kullanılı olduğunu cheerful göstermektedir.

<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>

Bu SSML kod parçacığında styledegree özniteliğin, JinxiaoNeural için konuşma stilinin yoğunluğunu değiştirmek için nasıl kullanıldıkları açık edilmiştir.

<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>

Bu SSML kod parçacığında özniteliğin, NedenmoNeural rol rolünü değiştirmek role için nasıl kullanıldıklarının gösterildiği.

<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>

Konuşma dillerini ayarlama

Konuşma dillerini nöral seslere göre ayarlayabilirsiniz. öğesini kullanarak tek bir sesin farklı dilleri akıcı bir şekilde (İngilizce, İspanyolca ve Çince gibi) konuşmalarını <lang xml:lang> etkinleştirin. Bu, Konuşma hizmeti özgü isteğe bağlı bir öğedir. Bu öğe olmadan ses, birincil dilini dile gelecektir. Şu anda konuşma dili ayarlamaları şu nöral seslerde de destek almaktadır: en-US-JennyMultilingualNeural . Yukarıdaki değişiklikler cümle düzeyinde ve sözcük düzeyinde uygulanır. Dil desteklenmiyorsa hizmet ses akışı geri dönmez.

Syntax

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

Öznitelikler

Her sinir sesi için desteklenen konuşma dillerini belirlemek için bu tabloyu kullanın.

Örnek

Bu SSML kod parçacığı, konuşma dillerini , <lang xml:lang> ve olarak değiştirmek için nasıl en-US kullanabileceğinizi es-MX de-DE gösterir.

<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>

Kesme/duraklatma ekleme veya kaldırma

Sözcüklerin break arasına duraklamalar (veya kesmeler) eklemek veya metin konuşma hizmeti tarafından otomatik olarak eklenen duraklamaları önlemek için öğesini kullanın.

Syntax

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

Öznitelikler

Örnek

<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>

Sessizlik ekleme

Öğesini kullanarak metinden önce veya sonra veya bitişik 2 cümle arasına mstts:silence duraksamalar ekler.

Syntax

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

Öznitelikler

Örnek Bu örnekte, mtts:silence iki cümle arasına 200 ms sessizlik eklemek için kullanılır.

<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>

Paragrafları ve cümleleri belirtme

p ve s öğeleri sırasıyla paragrafları ve cümleleri ifade etmek için kullanılır. Bu öğelerin olmaması, metin konuşma hizmeti SSML belgesinin yapısını otomatik olarak belirler.

öğesi p metin ve şu öğeleri içerebilir: , , , , , audio , , ve break phoneme prosody say-as sub mstts:express-as s .

öğesi s metin ve şu öğeleri içerebilir: , , , , , audio , ve break phoneme prosody say-as mstts:express-as sub .

Syntax

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

Örnek

<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>

Söylenişleri geliştirmek için phonemes kullanma

öğesi, ph SSML belgelerde phonetic söylenişleri için kullanılır. öğesi ph yalnızca metin içerebilir, başka öğe içere değildir. Her zaman geri dönüş olarak insan tarafından okunabilir konuşma sağlama.

Telefon alfabeleri, bazen birlikte harf, rakam veya karakterlerden oluşan telefonlardan oluşur. Her telefon benzersiz bir konuşma sesi tanımlar. Bu, herhangi bir harfin birden çok konuşulan sesi temsil eden Latin alfabesinin aksinedir. "şeker" ve "sona er" sözcüklerini veya "thing" ve "those" sözcüklerini "th" harf birleşiminin farklı söylenişlerini "c" harfinin farklı söylenişlerini düşünün.

Syntax

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

Öznitelikler

Örnekler

<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>

Söylenişi geliştirmek için özel sözlük kullanma

Bazen metinden konuşma hizmeti bir sözcüğü doğru bir şekilde söyleyemzz. Örneğin, bir şirketin adı, tıbbi terim veya emoji. Geliştiriciler ve etiketlerini kullanarak tek varlıkların SSML'de nasıl phoneme okundu olduğunu sub tanımlayabilir. Ancak, birden çok varlığın nasıl okundu olarak tanımladığınıza ihtiyacınız varsa etiketini kullanarak özel bir sözlük lexicon oluşturabilirsiniz.

Syntax

<lexicon uri="string"/>

Öznitelikler

Kullanım

Birden çok varlığın nasıl okundu olduğunu tanımlamak için, bir .xml veya .pls dosyası olarak depolanan özel bir sözlük oluşturabilirsiniz. Aşağıda örnek bir dosya .xml ve ve ardından alın.

<?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>

öğesi lexicon en az bir öğe lexeme içerir. Her lexeme öğe en az bir öğe ve bir veya daha fazla , ve öğesi grapheme grapheme alias phoneme içerir. öğesi, grapheme orthography öğesini açıklayan metin içerir. aliasÖğeler, kısaltma veya kısaltılmış terim söylenişini belirtmek için kullanılır. phonemeöğesi, öğesinin nasıl okunan lexeme olduğunu açıklayan metin sağlar. ve alias öğesi phoneme aynı öğeyle sağlanıyorsa, grapheme daha yüksek alias önceliğe sahiptir.

Lexicon, hangi xml:lang yerel değere uygulanması gerektiğini belirtmek için gerekli özniteliği içerir. Bir özel sözlük, tasarıma göre tek bir yerel seçimle sınırlıdır, bu nedenle farklı bir yerel seçime uygula, çalışmaz.

Özel sözlük kullanarak bir tümceciğin söylenişlerini doğrudan ayarlayamayabilirsiniz. Kısaltma veya kısaltılmış terim için söyleniş ayarlamanız gerekirse, önce bir sağlamak, ardından alias ile phoneme alias ilişkilendirmek. Örnek:

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

Ayrıca, kısaltma veya alias kısaltılmış terim için bekleneni doğrudan da sebilirsiniz. Örnek:

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

Özel sözlük dosyası hakkında daha fazla bilgi için bkz. Söyleniş Sözlüğü Belirtimi (PLS) Sürüm 1.0.

Ardından özel sözlük dosyanızı yayımlayın. Bu dosyanın depolandığı yerle ilgili kısıtlamalarımız yoktur, ancak Azure Blobdepolama alanı Depolama.

Özel sözlüklerinizi yayımladıktan sonra SSML'nizin bu sözlüğüne başvurarak bu özel sözlüğüne başvurarak bunu kullanabilirsiniz.

<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>

Bu özel sözlük kullanırken "BTW" "By the way" olarak okunur. "Benigni", sağlanan IPA "btcni aşağıdakinimoni" ile okunur.

Özel sözlükte hata yapmak kolay olduğu için Microsoft, özel sözlük için doğrulama aracı sağladı. Hataları bulanıza yardımcı olacak ayrıntılı hata iletileri sağlar. Konuşma hizmetine özel sözlük ile SSML göndermeden önce, bu araçla özel sözlüklerinizi denetlemeniz gerekir.

Sınırlamalar

• Dosya boyutu: Özel sözlük dosyası boyutu üst sınırı 100 KB'tır; bu boyutun ötesinde sentez isteği başarısız olur.
• Lexicon önbelleği yenileme: Özel sözlük, TTS Hizmeti ilk yüklendiğinde anahtar olarak URI ile önbelleğe alınacak. Aynı URI'ye sahip Lexicon 15 dakika içinde yeniden yüklenmez, bu nedenle özel sözlük değişikliğinin etkili olması için en fazla 15 dakika beklemesi gerekir.

Konuşma hizmeti telefon numarası kümeleri

Yukarıdaki örnekte IPA telefon kümesi olarak da bilinen Uluslararası Telefon Alfabesi'nin kullanımına açabilirsiniz. Uluslararası standart olduğundan geliştiricilerin IPA'yı kullanmalarını öneririz. Bazı IPA karakterleri için, Unicode ile temsil edilen 'önceden koda' ve 'koda dışı' sürüme sahipler. Özel sözlük yalnızca koda alınan unicode'ları destekler.

IPA'nın anımsanmalarının kolay olmadığını göz önünde bulundurarak, Konuşma hizmeti yedi dil için bir telefon numarası kümesi tanımlar ( en-US , , , , , ve fr-FR de-DE es-ES ja-JP zh-CN zh-TW ).

Aşağıda da olduğu x-microsoft-sapi gibi özel sözlük ile alphabet özniteliğinin değeri olarak kullanabilirsiniz:

<?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>

Ayrıntılı Konuşma hizmeti telefon alfabesi hakkında daha fazla bilgi için bkz. Konuşma hizmeti telefon numarası kümeleri.

Prozodiyi ayarlama

öğesi, prosody metinden konuşma çıkışı için perde, aralık, hız, süre ve birim değişikliklerini belirtmek için kullanılır. öğesi prosody metin ve şu öğeleri içerebilir: , , , , , audio , , ve break p phoneme prosody say-as sub s .

Prosodic öznitelik değerleri geniş bir aralıkta farklılık gösterene kadar, konuşma tanıyıcı atanan değerleri seçilen sesin gerçek prosodic değerlerinin ne olması gerektiğine bir öneri olarak yorumlar. Metin konuşma hizmeti, desteklen olmayan değerleri sınırlar veya bu değerlerin yerini ayalar. Desteklenmeyen değerlere örnek olarak 1 MHz veya 120 birimlik bir perde verilmiştir.

Syntax

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

Öznitelikler

Konuşma oranını değiştirme

Konuşma hızı, Nöral seslere ve sözcük veya cümle düzeyindeki standart seslere uygulanabilir.

Örnek

<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>

Birimi değiştirme

Birim değişiklikleri sözcük veya cümle düzeyinde standart seslere uygulanabilir. Birim değişiklikleri yalnızca tümce düzeyinde sinir seslerini uygulanabilir.

Örnek

<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>

Değişiklik perdesi

Konuşma değişiklikleri sözcük veya cümle düzeyinde standart seslere uygulanabilir. Sıklık değişiklikleri yalnızca tümce düzeyinde sinir seslere uygulanabilir.

Örnek

<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>

Aralık dağılımı değiştirme

Örnek

<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>

as öğesi

say-as , öğe metninin (sayı veya tarih gibi) içerik türünü belirten isteğe bağlı bir öğedir. Bu, metnin nasıl pronounce hakkında konuşma birleştirme altyapısına kılavuzluk sağlar.

Syntax

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

Öznitelikler

Ve öznitelikleri için desteklenen içerik türleri aşağıda verilmiştir interpret-as format . formatYalnızca interpret-as Tarih ve saat olarak ayarlandıysa özniteliği ekleyin.

Kullanım

say-asÖğesi yalnızca metin içerebilir.

Örnek

Konuşma sennet12 35 Me motoru, "ilk isteğiniz," Ekim 20 10 ' de erken gelişle birlikte, en az bir yere kadar bir yere vardı.

<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>

Kayıtlı ses ekleme

audio , bir SSML belgesine MP3 sesi eklemenize olanak sağlayan isteğe bağlı bir öğedir. Ses öğesinin gövdesi, ses dosyasının kullanılamadığı veya yürütülemeyebilir olmadığı durumlarda konuşulan düz metin veya SSML biçimlendirmesi içerebilir. Ayrıca, audio öğesi metin ve şu öğeleri içerebilir: audio , break ,, p s , phoneme , prosody , say-as ve sub .

SSML belgesine dahil edilen tüm seslerin bu gereksinimleri karşılaması gerekir:

• MP3, Internet erişimli bir HTTPS uç noktasında barındırılmalıdır. HTTPS gereklidir ve MP3 dosyasını barındıran etki alanı geçerli, güvenilen bir TLS/SSL sertifikası sunmalıdır.
• MP3 geçerli bir MP3 dosyası (MPEG v2) olmalıdır.
• Bit hızının 48 kbps olması gerekir.
• Örnek hız 16.000 Hz olmalıdır.
• Tek bir yanıttaki tüm metin ve ses dosyaları için Birleşik Toplam süre 90 (90) saniyeyi aşamaz.
• MP3, müşteriye özgü veya diğer gizli bilgileri içermemelidir.

Syntax

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

Öznitelikler

Örnek

<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>

Arka plan sesi Ekle

mstts:backgroundaudioÖğesi SSML belgelerinize arka plan sesi eklemenize (veya metinden konuşmaya sahip bir ses dosyası karıştırabilmeniz) olanak tanır. İle mstts:backgroundaudio , metin okuma başlangıcında durarak bir ses dosyasını arka planda döngüye alabilir ve metin okuma sonunda soluklaştırın.

Belirtilen arka plan sesi metinden konuşmaya veya soluklaştırmadan kısaysa, döngü gerçekleştirilir. Metinden konuşmaya daha uzunsa, bu, silinme bittiğinde durur.

SSML belgesi başına yalnızca bir arka plan ses dosyasına izin verilir. Ancak, audio SSML belgenize ek ses voice eklemek için öğesinde ara etiketler ekleyebilirsiniz.

Syntax

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

Öznitelikler

Örnek

<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>

Bookmark öğesi

Yer işareti öğesi, ses akışında her işaretçinin uzaklığını almak için SSML'ye özel işaretçiler eklemenizi sağlar. Yer işareti öğelerini okumaz. Yer işareti öğesi, metin veya etiket dizisinde belirli bir konuma başvuru yapmak için kullanılabilir.

Syntax

<bookmark mark="string"/>

Öznitelikler

Örnek

Örneğin, her çiçek sözcüğü için zaman farklarını aşağıdaki gibi bilmek istiyor olabilir

<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>

Konuşma SDK'sı kullanarak yer işareti al

Yer işareti uzaklıklarını almak BookmarkReached için Konuşma SDK'sında olayına abone olabilirsiniz.

BookmarkReached olaylar, çıkış ses verileri kullanılabilir hale geldi ve bu da bir çıkış cihazında kayıttan yürütmeden daha hızlı olacaktır.

• AudioOffset , çıkış seslerinin sentezin başlangıcı ile yer işareti öğesi arasındaki geçen zamanı raporlar. Bu, 1 milisaniyeye eşdeğer 10.000 HNS ile yüz nanosaniye (HNS) cinsinden ölçülür.
• Text , yer işareti öğesinin başvuru metnidir ve bu, özniteliğinde ayar istediğiniz mark dizedir.

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.

Sonraki adımlar

• Dil desteği: ses, yerel dil, dil