Произношение с помощью SSML

Вы можете использовать язык разметки синтеза речи (SSML) с текстом для указания того, как речь произносится. Например, можно использовать SSML с фонемами и пользовательским лексиконом для улучшения произношения. Вы также можете использовать SSML для определения того, как произносится слово или математическое выражение.

Дополнительные сведения об использовании элементов SSML для улучшения произношения см. в следующих разделах. Дополнительные сведения о синтаксисе SSML см. в статье о структуре и событиях документов SSML.

Элемент фонемы

Элемент phoneme используется для фонетического произношения в документах SSML. Всегда предоставляйте удобочитаемую речь в качестве резервной версии.

Фонетические алфавиты состоят из телефонов, которые состоят из букв, чисел или символов, иногда в сочетании. Каждый телефон описывает уникальный звук речи. Фонетический алфавит отличается от латинского алфавита, где любое письмо может представлять несколько произнесенных звуков. Рассмотрим различные en-US произношения буквы "c" в словах "конфеты" и "прекратить" или различные произношения сочетания букв "th" в словах "вещь" и "те".

phoneme Использование атрибутов элемента описано в следующей таблице.

Примеры Phoneme

phoneme поддерживаемые значения атрибутов элемента. В первых двух примерах значения ph="tə.ˈmeɪ.toʊ" или ph="təmeɪˈtoʊ" указываются для подчеркивания слога meɪ.

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

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

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

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
     <voice name="en-US-AvaNeural">
        <phoneme alphabet='x-sampa' ph='he."lou'>hello</phoneme>
    </voice>
</speak>

Пользовательский лексикон

Вы можете определить, как отдельные сущности (например, компания, медицинский термин или эмодзи) считываются в SSML с помощью фонемы и вложенных элементов. Чтобы определить, как считываются несколько сущностей, создайте структурированный пользовательский лексикон-файл XML. Затем вы отправляете пользовательский XML-файл лексикона и ссылаетесь на него с помощью элемента SSML lexicon .

lexicon Использование атрибутов элемента описано в следующей таблице.

Примеры пользовательского словаря

lexicon поддерживаемые значения атрибутов элемента.

После публикации пользовательского лексикона вы можете ссылаться на него из SSML. В следующем примере SSML ссылается на пользовательский лексикон, который был отправлен в https://www.example.com/customlexicon.xml. Мы поддерживаем URL-адреса словарей из Хранилище BLOB-объектов Azure. Однако обратите внимание, что другие общедоступные URL-адреса могут быть несовместимы.

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

Пользовательский файл лексикона

Чтобы определить, как считываются несколько сущностей, их можно определить в пользовательском XML-файле лексикона с расширением файла .xml или .pls.

Ниже приведены некоторые ограничения пользовательского лексического файла:

• Размер файла: размер пользовательского лексического файла ограничен не более 100 КБ. Если размер файла превышает ограничение в 100 КБ, запрос синтеза завершается сбоем. Вы можете разделить лексикон на несколько лексиконов и включить их в SSML, если размер файла превышает 100 КБ.
• Обновление кэша Lexicon: пользовательский лексикон кэшируется с URI в качестве ключа для преобразования текста в речь во время первой загрузки. Лексикон с тем же унифицированным идентификатором ресурса (URI) не перезагружается в течение 15 минут, поэтому пользовательское изменение лексики должно ждать 15 минут, чтобы вступить в силу.

Поддерживаемые элементы и атрибуты пользовательского XML-файла лексикона описаны в спецификации произносительного лексикона (PLS) версии 1.0. Ниже приведены некоторые примеры поддерживаемых элементов и атрибутов:

• Элемент lexicon содержит по крайней мере один lexeme элемент. Lexicon содержит необходимый xml:lang атрибут для указания локали, к которой он должен применяться. Один пользовательский лексикон ограничен одним языковым стандартом по дизайну, поэтому если применить его для другого языкового стандарта, он не работает. Элемент lexicon также имеет атрибут, указывающий alphabet алфавит, используемый в лексиконе. Возможные значения: ipa и x-microsoft-sapi.
• Каждый lexeme элемент содержит по крайней мере один grapheme элемент и один или несколько graphemealiasэлементов.phoneme Элемент lexeme чувствителен к регистру в пользовательском лексиконе. Например, если вы предоставляете только фонему для lexeme "Hello", это не сработает для lexeme "hello".
• Элемент grapheme содержит текст, описывающий ортографию.
• Элементы alias используются для указания произношения акронима или сокращенного термина.
• Элемент phoneme предоставляет текст, описывающий, как lexeme произносится. Граница слога является "." в алфавите IPA. Элемент phoneme не может содержать пробелы при использовании алфавита IPA.
• Когда элементы alias и phoneme предоставляются с одинаковым grapheme элементом, alias имеет более высокий приоритет.

Microsoft предоставляет средство проверки для пользовательского лексикона, которое помогает находить ошибки (с подробными сообщениями об ошибках) в файле пользовательского лексикона. Прежде чем использовать пользовательский XML-файл лексикона в рабочей среде со службой "Речь", рекомендуется использовать этот инструмент.

Примеры пользовательских лексикон-файлов

Следующий xml-пример (не SSML) будет содержаться в пользовательском файле лексикона .xml . При использовании этого пользовательского лексикона "BTW" произносится как "Кстати". "Бенини" произносится с предоставленным IPA "bɛˈniːnji".

<?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>

Вы не можете напрямую задать произношение фразы с помощью пользовательского лексикона. Если необходимо задать произношение для акронима или сокращенного термина, сначала предоставьте aliasи свяжите phoneme его с этим alias. Например:

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

Вы также можете напрямую указать ожидаемый alias для акронима или сокращенного термина. Например:

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

В предыдущих примерах XML-файла пользовательского лексикона используется алфавит IPA, который также называется набором фонем IPA. Мы рекомендуем использовать IPA, так как это международный стандарт. Для некоторых символов IPA они представляют собой предварительно составленные и декомпозированные версии этих символов, когда они представлены в Юникоде. Пользовательский лексикон поддерживает только разложенный Юникод.

Служба "Речь" определяет фонетический набор sapi для следующих языковых стандартов: en-US, en-CA, fr-FR, fr-CA, fr-BE, fr-CH, de-DE, de-AT, de-CH, es-ES, ja-JP, zh-CN, zh-HK, yue-CN и zh-TW. Для получения дополнительной информации о фонетическом алфавите службы "Речь" см. фонетические наборы службы "Речь".

Вы можете использовать x-microsoft-sapi в качестве значения для атрибута alphabet с пользовательским лексиконом, как показано здесь:

<?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>

Элемент Say-as

Элемент say-as указывает тип контента, например число или дату текста элемента. Этот элемент предоставляет рекомендации подсистеме синтеза речи о том, как произносить текст.

say-as Использование атрибутов элемента описано в следующей таблице.

Для атрибутов interpret-as и format поддерживаются следующие типы контента. format Включите атрибут только в том случае, если format столбец не пуст в этой таблице.

Примеры использования "say-as"

say-as поддерживаемые значения атрибутов элемента.

Подсистема синтеза речи говорит следующий пример: "Ваш первый запрос был для одной комнаты в октябре девятнадцать двадцать десять с ранним прибытием в двенадцать тридцати пяти вечера".

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

Вложенный элемент

Используйте элемент sub, чтобы указать, что текстовое значение атрибута псевдонима должно быть произнесено вместо текста, заключённого в элемент. Таким образом, SSML содержит как произнесенные, так и письменные формы.

sub Использование атрибутов элемента описано в следующей таблице.

Подпримеры

sub поддерживаемые значения атрибутов элемента.

Движок синтеза речи в следующем примере произносит "Консорциум World Wide Web".

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-Ava:DragonHDLatestNeural">
        <sub alias="World Wide Web Consortium">W3C</sub>
    </voice>
</speak>

Чтение Markdown

Чтобы прочитать содержимое markdown, можно обернуть текст markdown элементом mstts:markdown. TTS читает только текстовое содержимое в формате Markdown и игнорирует его синтаксис.

Например, следующий SSML произносит вслух два предложения: "Это заголовок" и "И это жирный текст", а синтаксис markdown не будет прочитан.

<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-JennyNeural'>
    <mstts:markdown># This is headline 
And this is a **bold** text
    </mstts:markdown>
  </voice>
</speak>

Поддерживаемый синтаксис в Markdown

TTS поддерживает синтаксис markdown, определенный в спецификации CommonMark, которая является широко используемой спецификацией markdown. Дополнительные сведения о спецификации CommonMark см. в разделе CommonMark.

Чтение математических выражений

Существует два способа чтения математического выражения:

• С использованием элемента математического домена

  Внедряйте математическое выражение обычного текста непосредственно в SSML и укажите математический домен с помощью <mstts:prompt domain="Math" />.

  См. раздел: чтение математических выражений обычного текста

• С элементами MathML

  Представляет математическое выражение с элементами MathML.

  См. раздел: чтение математических выражений с помощью MathML

Чтение математических выражений обычного текста

Чтобы включить чтение сложных математических выражений, можно добавить <mstts:prompt domain="Math" /> элемент, чтобы активировать специфичные для математики правила произношения.

<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-AvaMultilingualNeural">
       <mstts:prompt domain="Math" />
       x = (-b ± √(b² - 4ac)) / 2a
    </voice>
</speak>

По умолчанию скобки не считываются в математических выражениях. Если вы хотите прочитать скобки, можно указать <mstts:mathspeechverbosity level="verbose" /> в SSML

<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-AvaMultilingualNeural">
       <mstts:prompt domain="Math" /><mstts:mathspeechverbosity level="verbose" />
       x = (-b ± √(b² - 4ac)) / 2a
    </voice>
</speak>

Если вы хотите, чтобы выражение считывалось на другом языке с многоязычным голосом, укажите элемент lang в SSML.

<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-AvaMultilingualNeural"> 
      <mstts:prompt domain="Math" /> 
      <lang xml:lang="es-ES">x = (-b ± √(b² - 4ac)) / 2a</lang>
    </voice>
 </speak>

Чтение математических выражений с помощью MathML

Язык математической разметки (MathML) — это язык разметки, совместимый с XML, описывающий математическое содержимое и структуру. Служба "Речь" может использовать MathML в качестве входного текста для правильного произнесения математических нотации в выходном звуке.

Поддерживаются все элементы из спецификаций MathML 2.0 и MathML 3.0, за исключением элементов Элементарной математики в MathML 3.0.

Запишите эти элементы и атрибуты MathML:

• Атрибут xmlns в <math xmlns="http://www.w3.org/1998/Math/MathML"> необязателен.
• Элементы semantics, annotation, и annotation-xml не выводят речь, поэтому они игнорируются.
• Если элемент не распознается, он будет игнорироваться, но дочерние элементы в нем по-прежнему будут обработаны.

Синтаксис XML не поддерживает сущности MathML, поэтому необходимо использовать соответствующие символы юникода для представления сущностей, например, сущность © должна быть представлена своими символами юникода ©, в противном случае возникает ошибка.

Примеры MathML

В этом примере выходные данные текста для речи — "a в квадрате плюс b в квадрате равно c в квадрате".

<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-JennyNeural'>
        <math xmlns='http://www.w3.org/1998/Math/MathML'>
            <msup>
                <mi>a</mi>
                <mn>2</mn>
            </msup>
            <mo>+</mo>
            <msup>
                <mi>b</mi>
                <mn>2</mn>
            </msup>
            <mo>=</mo>
            <msup>
                <mi>c</mi>
                <mn>2</mn>
            </msup>
        </math>
    </voice>
</speak>

Дальнейшие действия

• Обзор SSML
• Структура и события документа SSML
• Поддержка языка: голоса, локали, языки