使用语音合成标记语言

3 分钟

虽然 Azure AI 语音 SDK 使你可以提交要合成为语音的纯文本（例如使用 SpeakTextAsync() 方法），不过该服务还支持基于 XML 的语法，用于描述要生成的语音的特征。通过此语音合成标记语言 (SSML) 语法可更好地控制口述输出的声音，使你可以：

指定说话风格，如使用神经语音时的“兴奋”或“愉快”。
插入暂停或静默。
指定音素（拼音发音），例如将文本“SQL”发音为“sequel”。
调整语音的韵律（影响音调、音色和说话速率）。
使用常见的“表达为”规则，例如用于指定应将给定字符串表示为日期、时间、电话号码或其他形式。
插入录制的语音或音频，例如包含标准录制消息或模拟背景噪音。

例如，考虑以下 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-AriaNeural"> 
        <mstts:express-as style="cheerful"> 
          I say tomato 
        </mstts:express-as> 
    </voice> 
    <voice name="en-US-GuyNeural"> 
        I say <phoneme alphabet="sapi" ph="t ao m ae t ow"> tomato </phoneme>. 
        <break strength="weak"/>Lets call the whole thing off! 
    </voice> 
</speak>

此 SSML 指定两个不同神经语音之间的口述对话，如下所示：

Ariana (cheerfully): "I say tomato:
Guy: "I say tomato (pronounced tom-ah-toe) ... Let's call the whole thing off!"

若要向语音服务提交 SSML 说明，可以使用 SpeakSsmlAsync() 方法，如下所示：

speechSynthesizer.SpeakSsmlAsync(ssml_string);

有关 SSML 的详细信息，请参阅 Azure AI 语音 SDK 文档。

使用语音合成标记语言

反馈