Azure语音中的高清语音

Azure 语音正借助神经高清 (HD) 语音持续推进文本转语音技术的发展。 这些 HD 语音可理解内容，自动检测输入文本中的情绪，并实时调整语调以匹配情绪。 它们保持一致的语音角色，同时提供增强的表达力、自然性和控制力。

高清语音概述

Azure语音目前提供一个高级 HD 语音模型：

HD 语音的主要功能

下表介绍了 Azure Speech HD 语音的主要特性：

Azure 语音 HD 语音与其他 Azure 文本转语音语音的比较

Azure高清语音与其他Azure文本转语音功能相比如何？ 下面是详细的比较：

支持的 Azure 高保真语音

Azure 语音提供两组具有不同模型体系结构的 HD 语音：

Dragon HD 语音

Azure 语音 HD 语音值采用 voicename:DragonHD:version 格式。 冒号前的名称，例如 en-US-Ava，是语音角色的名称及其原始语言环境。

若要确保使用Microsoft提供的基本模型的最新版本，请使用 LatestNeural 版本。

例如，对于角色 en-US-Ava，可以指定：

• en-US-Ava:DragonHDLatestNeural：始终使用最新版本的 DragonHD 基础模型。

下表列出了可用的 DragonHD 语音：

HD 语音支持以下风格和副语言标签：

Dragon HD Flash 语音

HD Flash 语音是所选 DragonHD 语音的优化变体，目前支持中文（zh-cn）和英语（en-US）文本。 这些语音更加自然，目前仅在 chinanorth3 中提供。

下表列出了所有可用的 HD Flash 语音和支持的样式。

如何使用 Azure 高清语音功能

与非 HD 语音一样，对 HD 语音使用相同的语音 SDK 和 REST API。

使用 Azure 语音 HD 语音时，请考虑以下要点：

• 声音区域设置：声音名称中的区域设置指示其原始语言和区域。
• 基础模型：
  • HD 语音包括一个基本模型，用于理解输入文本并相应地预测说话模式。 可以根据每个语音的可用性指定所需的模型，例如 DragonHDLatestNeural。
• SSML 用法：若要在 SSML 中引用语音，请使用格式 voicename:basemodel:version。 冒号前的名称，例如 de-DE-Seraphina，是语音角色的名称及其原始语言环境。 基础模型会在后续更新中按版本跟踪。
• 温度参数：
  • 温度值为 0 到 1 的浮点，影响输出的随机性。 可以调整温度参数来控制输出的变化。 更低的随机性会产生更稳定的结果，而更高的随机性会提供多样性而减少一致性。
  • 温度较低会导致随机性较低，从而导致更可预测的输出。 更高的温度会增加随机性，从而允许更多样化的输出。 默认温度设置为 1.0。

下面是如何在 SSML 中使用 Azure Speech HD 语音的示例：

<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-Ava:DragonHDLatestNeural' parameters='temperature=0.8'>Here is a test</voice>
</speak>

Azure 语音 HD 声音支持和不支持的 SSML 元素

包含输入文本的语音合成标记语言 (SSML) 确定了文本转语音输出的结构、内容和其他特征。 例如，可以使用 SSML 来定义段落、句子、中断/暂停或静音。 可以将文本与事件标记（例如书签或 viseme）一起包装，以便应用程序稍后处理。

Azure 高质量语音根据不同模型支持不同的 SSML 元素。

• DragonHD 语音：支持一部分 SSML 元素（请参阅下表）

有关 Azure Speech HD 语音支持的和不支持的 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，请参阅语音合成标记语言 (SSML) 文档。

参数增强发音

该 enhancePronunciation 参数可在语音合成期间启用增强的发音处理。 设置为 true 时，神经HD 语音会应用额外的发音优化来提高口语输出的清晰度和正确性，尤其是对于复杂、不明确或非标准文本。

启用 enhancePronunciation时，该服务通过在合成过程中应用增强的语言处理来确定发音准确性的优先级。 此项改进有助于改善系统的读取方式：

• 专有名词、名称和不常见词汇
• 首字母缩略词、缩写和混合大小写文本
• 具有多个可能发音的单词取决于上下文，此参数补充了现有的发音控件，如基于 SSML 的发音标记和词典，并且不会替换它们。 默认值为 false，用于保留可预测的向后兼容语音输出。 如果希望服务应用额外的发音优化，以提高清晰度和自然性，请启用它。

<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-Ava:DragonHDLatestNeural" parameters="enhancePronunciation=true">
    This is a pronunciation enhanced example for technical terms like
    Kubernetes, Azure OpenAI, and multilingual content such as 今、何か軽く摘めそうなものある？
  </voice>
</speak>

推荐用例

在具有结构化或技术域特定内容的方案中启用 enhancePronunciation 。

相关内容

• 试用 Azure Speech 中的文本转语音功能快速入门
• 详细了解如何使用 SSML 和事件