SSML 文档结构和事件
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。 可以使用事件标记（例如书签或视素）来包装文本，这些标记可以稍后由应用程序处理。
有关如何在 SSML 文档中构建元素的详细信息，请参阅以下部分。
文档结构
SSML 的语音服务实现基于万维网联合会的语音合成标记语言版本 1.0。 语音服务支持的元素可能与 W3C 标准不同。
每个 SSML 文档是使用 SSML 元素（或标记）创建的。 这些元素用于调整语音、风格、音节、韵律、音量等。
下面是 SSML 文档的基本结构和语法的子集：
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="string">
<mstts:backgroundaudio src="string" volume="string" fadein="string" fadeout="string"/>
<voice name="string" effect="string">
<audio src="string"></audio>
<bookmark mark="string"/>
<break strength="string" time="string" />
<emphasis level="value"></emphasis>
<lang xml:lang="string"></lang>
<lexicon uri="string"/>
<math xmlns="http://www.w3.org/1998/Math/MathML"></math>
<mstts:audioduration value="string"/>
<mstts:ttsembedding speakerProfileId="string"></mstts:ttsembedding>
<mstts:express-as style="string" styledegree="value" role="string"></mstts:express-as>
<mstts:silence type="string" value="string"/>
<mstts:viseme type="string"/>
<p></p>
<phoneme alphabet="string" ph="string"></phoneme>
<prosody pitch="value" contour="value" range="value" rate="value" volume="value"></prosody>
<s></s>
<say-as interpret-as="string" format="string" detail="string"></say-as>
<sub alias="string"></sub>
</voice>
</speak>
以下列表描述了每个元素中允许的一些内容示例：
audio：如果音频文件不可用或不可播放，可在audio元素的正文中包含可讲述的纯文本或 SSML 标记。audio元素还包含文本和以下元素：audio、break、p、s、phoneme、prosody、say-as和sub。bookmark：此元素不能包含文本或任何其他元素。break：此元素不能包含文本或任何其他元素。emphasis：此元素可包含文本和以下元素：audio、break、emphasis、lang、phoneme、prosody、say-as和sub。lang：此元素可包含除mstts:backgroundaudio、voice和speak以外的所有其他元素。lexicon：此元素不能包含文本或任何其他元素。math：此元素只能包含文本和 MathML 元素。mstts:audioduration：此元素不能包含文本或任何其他元素。mstts:backgroundaudio：此元素不能包含文本或任何其他元素。mstts:embedding：此元素可包含文本和以下元素：audio、break、emphasis、lang、phoneme、prosody、say-as和sub。mstts:express-as：此元素可包含文本和以下元素：audio、break、emphasis、lang、phoneme、prosody、say-as和sub。mstts:silence：此元素不能包含文本或任何其他元素。mstts:viseme：此元素不能包含文本或任何其他元素。p：此元素可包含文本和以下元素：audio、break、phoneme、prosody、say-as、sub、mstts:express-as和s。phoneme：此元素只能包含文本，不能包含任何其他元素。prosody：此元素可包含文本和以下元素：audio、break、p、phoneme、prosody、say-as、sub和s。s：此元素可包含文本和以下元素：audio、break、phoneme、prosody、say-as、mstts:express-as和sub。say-as：此元素只能包含文本，不能包含任何其他元素。sub：此元素只能包含文本，不能包含任何其他元素。speak：SSML 文档的根元素。 此元素可包含以下元素：mstts:backgroundaudio和voice。voice：此元素可包含除mstts:backgroundaudio和speak以外的所有其他元素。
语音服务可自动适当处理停顿（例如，在句号后面暂停片刻），或者在以问号结尾的句子中使用正确的音调。
特殊字符
若要在 SSML 元素的值或文本中使用字符 &、< 和 >，则必须使用实体格式。 具体而言，必须使用 & 而不是 &，使用 < 而不是 <，使用 > 而不是 >。 否则，无法正确分析 SSML。
例如，请指定 green & yellow 而不是 green & yellow。 以下 SSML 按预期进行分析：
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-AvaNeural">
My favorite colors are green & yellow.
</voice>
</speak>
引号、撇号和括号等特殊字符必须经过转义。 有关详细信息，请参阅可扩展标记语言 (XML) 1.0：附录 D。
属性值必须用双引号或单引号括起来。 例如，<prosody volume="90"> 和 <prosody volume='90'> 是格式正确的有效元素，但无法识别 <prosody volume=90>。
Speak 根元素
speak 元素包含版本、语言和标记词汇定义等信息。 speak 元素是所有 SSML 文档必需的根元素。 必须在 lang 元素内将 speak 指定为默认语言，无论是否在其他地方调整该语言。
下面是 speak 元素的语法：
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="string"></speak>
| 属性 | 说明 | 必需还是可选 |
|---|---|---|
version |
指示用于解释文档标记的 SSML 规范的版本。 当前版本为“1.0”。 | 必需 |
xml:lang |
根文档的语言。 该值可以包含语言代码，例如 en（英语），也可以包含区域设置，例如 en-US（美国英语）。 |
必需 |
xmlns |
用于定义 SSML 文档的标记词汇（元素类型和属性名称）的文档的 URI。 当前 URI 为 "http://www.w3.org/2001/10/synthesis"。 | 必需 |
speak 元素必须至少包含一个语音元素。
speak 示例
前面介绍了 speak 元素属性支持的值。
单个语音的示例
本示例使用 en-US-AvaNeural 语音。 有关更多示例，请参阅语音示例。
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-AvaNeural">
This is the text that is spoken.
</voice>
</speak>
添加停顿
使用 break 元素替代单词之间的默认中断或暂停行为。 否则，语音服务会自动插入暂停。
下表描述了 break 元素的属性用法。
| 属性 | 说明 | 必需还是可选 |
|---|---|---|
strength |
使用以下值之一指定暂停的相对持续时间：
|
可选 |
time |
暂停的绝对持续时间，以秒为单位（例如 2s）或以毫秒为单位（例如 500ms）。 有效值的范围为 0 到 20000 毫秒。 如果设置的值大于支持的最大值，则服务将使用 20000ms。 如果设置了 time 属性，则会忽略 strength 属性。 |
可选 |
下面是有关该 strength 属性的更多详细信息。
| Strength | 相对持续时间 |
|---|---|
| x-weak | 250 毫秒 |
| weak | 500 毫秒 |
| 中型 | 750 毫秒 |
| 强 | 1,000 毫秒 |
| x-strong | 1,250 毫秒 |
中断示例
前面介绍了 break 元素属性支持的值。 以下三种方式都会增加 750 毫秒的中断。
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-AvaNeural">
Welcome <break /> to text to speech.
Welcome <break strength="medium" /> to text to speech.
Welcome <break time="750ms" /> to text to speech.
</voice>
</speak>
添加静音
使用 mstts:silence 元素在文本前后，或者在两个相邻句子之间添加暂停。
mstts:silence 和 break 之间的差别之一是，break 元素可以插入到文本中的任意位置。 静音仅适用于输入文本的开头或结尾，或者两个相邻句子的分界处。
静默设置应用于其所在 voice 元素内的所有输入文本。 若要再次重置或更改静音设置，必须使用包含相同或不同语音的新 voice 元素。
下表描述了 mstts:silence 元素的属性用法。
| 属性 | 说明 | 必需还是可选 |
|---|---|---|
type |
指定添加静音的位置和方式。 支持以下静音类型：
绝对静音类型（带有 -exact 后缀）替换其他任何自然前导或尾随静音。 绝对静音类型优先于相应的非绝对静音类型。 例如，如果同时设置了 Leading 和 Leading-exact 类型，则 Leading-exact 类型将生效。 WordBoundary 事件优先于标点符号相关的静音设置，包括 Comma-exact、Semicolon-exact 或 Enumerationcomma-exact。 同时使用 WordBoundary 事件和与标点符号相关的静音设置时，与标点符号相关的静音设置不会生效。 |
必须 |
Value |
暂停持续时间，以秒为单位（例如 2s）或以毫秒为单位（例如 500ms）。 有效值的范围为 0 到 20000 毫秒。 如果设置的值大于支持的最大值，则服务将使用 20000ms。 |
必须 |
mstts 静音示例
前面介绍了 mstts:silence 元素属性支持的值。
在本例中，mstts:silence 用于在两个句子之间添加 200 毫秒的静音。
<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">
<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>
在此示例中，mstts:silence 用于在逗号处添加 50 毫秒的静音，在分号处添加 100 毫秒的静音，在枚举逗号处添加 150 毫秒的静音。
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="zh-cn">
<voice name="zh-cn-YunxiNeural">
<mstts:silence type="comma-exact" value="50ms"/><mstts:silence type="semicolon-exact" value="100ms"/><mstts:silence type="enumerationcomma-exact" value="150ms"/>你好呀，云希、晓晓；你好呀。
</voice>
</speak>
指定段落和句子
p 和 s 元素分别用于表示段落和句子。 如果缺少这些元素，则语音服务会自动确定 SSML 文档的结构。
段落和句子示例
以下示例定义了两个段落，其中每个段落包含句子。 在第二个段落中，语音服务会自动确定句子结构，因为它们未在 SSML 文档中定义。
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-AvaNeural">
<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>
Bookmark 元素
可以使用 SSML 中的 bookmark 元素来引用文本或标签序列中的特定位置。 然后使用语音 SDK 并订阅 BookmarkReached 事件以获取音频流中每个标记的偏移量。 没有读出 bookmark 元素。 有关详细信息，请参阅订阅合成器事件。
下表描述了 bookmark 元素的属性用法。
| 属性 | 说明 | 必需还是可选 |
|---|---|---|
mark |
bookmark 元素的引用文本。 |
必需 |
书签示例
前面介绍了 bookmark 元素属性支持的值。
例如，你可能想知道每个与花相关的词的时间偏移量，如以下代码片段所示：
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-AvaNeural">
We are selling <bookmark mark='flower_1'/>roses and <bookmark mark='flower_2'/>daisies.
</voice>
</speak>
视素元素
视素是口语中音素的视觉描述。 它定义了一个人说话时面部和嘴巴的位置。 可以使用 SSML 中的 mstts:viseme 元素请求视素输出。 有关详细信息，请参阅使用视位获取面部位置。
视素设置应用于其所在 voice 元素中的所有输入文本。 若要再次重置或更改视素设置，必须使用包含相同或不同语音的新 voice 元素。
下表描述了 viseme 元素的属性用法。
| 属性 | 说明 | 必需还是可选 |
|---|---|---|
type |
视素输出的类型。
|
必需 |
注意
目前，redlips_front 仅支持 en-US 区域设置中的神经网络声音，而 FacialExpression 支持 en-US 和 zh-cn 区域设置中的神经语音。
视素示例
前面介绍了 viseme 元素属性支持的值。
此 SSML 代码片段演示如何请求合成语音的混合形状。
<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">
<mstts:viseme type="FacialExpression"/>
Rainbow has seven colors: Red, orange, yellow, green, blue, indigo, and violet.
</voice>
</speak>