你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

在应用程序中使用个人语音

项目
09/26/2024

可以使用个人语音的说话人配置文件 ID，以合成 100 多个区域设置中支持的 91 种语言中的任意语言的语音。不需要区域设置标记。个人语音在句子级别使用自动语言检测。

在应用程序中集成个人语音

需要使用语音合成标记语言 (SSML) 才能在应用程序中使用个人语音。 SSML 是一种基于 XML 的标记语言，它提供了一种标准方法来标记文本以生成合成语音。 SSML 标记用于控制语音合成输出的发音、音量、音调、语速和其他属性。

SSML 中的 speakerProfileId 属性用于为个人语音指定说话人配置文件 ID。
语音名称在 SSML 的 name 属性中指定。对于个人声音，声音名称必须为受支持的基础模型声音名称。若要获取受支持的基础模型语音名称列表，请使用定制声音 API 的 BaseModels_List 操作。

注意

标记为 Latest 的声音名称（例如 DragonLatestNeural 或 PhoenixLatestNeural）将不时更新，其性能可能因持续改进的更新而异。如果要使用固定版本，请选择一个标有版本号的版本，例如 PhoenixV2Neural。
DragonLatestNeural 是一个基础模型，与 PhoenixLatestNeural 相比具有优越的声音克隆相似性。 PhoenixLatestNeural 是一个基础模型，具有比 DragonLatestNeural 更准确的发音和更低的延迟。
对于个人语音，你仍然可以使用 <lang xml:lang> 元素来调整讲话语言。这与多语言语音相同。请参阅如何使用 lang 元素讲不同语言。

下面是文本转语音请求中的 SSML 示例，其中包含语音名称和讲话人配置文件 ID。此示例还演示了如何使用 <lang xml:lang> 元素将语言从 en-US 切换到 zh-HK。

<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='DragonLatestNeural'> 
        <mstts:ttsembedding speakerProfileId='your speaker profile ID here'> 
            I'm happy to hear that you find me amazing and that I have made your trip planning easier and more fun. 
            <lang xml:lang='zh-HK'>我很高興聽到你覺得我很了不起，我讓你的旅行計劃更輕鬆、更有趣。</lang>
        </mstts:ttsembedding> 
    </voice> 
</speak>

可以通过语音 SDK 或 REST API 使用 SSML。

实时语音合成：使用语音 SDK 或 REST API 将文本转换为语音。
- 使用语音 SDK 时，请勿像使用预生成声音时那样设置终结点 ID。
- 使用 REST API 时，请使用预生成的神经语音终结点。

个人声音支持和不支持的 SSML 元素

有关 Phoenix 和 Dragon 模型支持和不支持的 SSML 元素的详细信息，请参阅下表。有关如何使用 SSML 元素的说明，请参阅 SSML 文档结构和事件。

元素	说明	在 Phoenix 中受支持	在 Dragon 中受支持
`<voice>`	指定声音和可选效果（`eq_car` 和 `eq_telecomhp8k`）。	是	是
`<mstts:express-as>`	指定讲话风格和角色。	否	否
`<mstts:ttsembedding>`	指定个人声音的 `speakerProfileId` 属性。	是	是
`<lang xml:lang>`	指定讲话语言。	是	是
`<prosody>`	调整音节、调型、范围、语速和音量。
`pitch`	指示文本的基线音节。	否	否
`contour`	表示音节变化。	否	否
`range`	表示文本音节的范围。	否	否
`rate`	指示文本的讲出速率。	是	是
`volume`	指示语音的音量级别。	否	否
`<emphasis>`	添加或删除文本的单词级强调。	否	否
`<audio>`	将预先录制的音频嵌入 SSML 文档中。	是	否
`<mstts:audioduration>`	指定输出音频的持续时间。	否	否
`<mstts:backgroundaudio>`	将后台音频添加到 SSML 文档，或者使用文本转语音来混合音频文件。	是	否
`<phoneme>`	指定 SSML 文档中的发音。
`ipa`	音标之一。	是	否
`sapi`	音标之一。	否	否
`ups`	音标之一。	是	否
`x-sampa`	音标之一。	是	否
`<lexicon>`	定义如何在 SSML 中读取多个实体。	是	是（仅支持别名）
`<say-as>`	指示元素的文本的内容类型，例如数字或日期。	是	是
`<sub>`	指示应读出别名属性的文本值，而不是元素中包含的文本。	是	是
`<math>`	使用 MathML 作为输入文本，以便在输出音频中正确读出数学符号。	是	否
`<bookmark>`	获取音频流中每个标记的偏移量。	是	否
`<break>`	替代字词之间的默认中断或暂停行为。	是	是
`<mstts:silence>`	在文本前后或在两个相邻句子之间插入暂停。	是	否
`<mstts:viseme>`	定义一个人说话时面部和嘴巴的位置。	是	否
`<p>`	表示 SSML 文档中的段落。	是	是
`<s>`	表示 SSML 文档中的句子。	是	是

个人声音支持和不支持的 SDK 功能

下表概述了 Phoenix 和 Dragon 模型支持的 SDK 功能。有关如何在应用程序中利用这些 SDK 功能的详细信息，请参阅订阅合成器事件。

SDK 功能	描述	在 Phoenix 中受支持	在 Dragon 中受支持
字边界	指示在合成过程中接收到一个字边界，从而在语音合成过程中提供精确的字级时间。	是	否
视素事件	在合成过程中提供视素（嘴唇、下巴和舌头动作）信息，支持视觉同步。	是	否

参考文档

自定义语音 Azure REST API 参考文档

后续步骤

有关神经网络定制声音的详细信息，请参阅概述。
有关 Speech Studio 的详细信息，请参阅概述。

通过