使用 SSML 发音

可以将语音合成标记语言 (SSML) 与文本转语音配合使用，以指定语音的发音方式。 例如，可以将 SSML 与音素和自定义词典一起使用，以提高发音。 还可以使用 SSML 定义单词或数学表达式的具体发音。

有关如何使用 SSML 元素改进发音的详细信息，请参阅以下部分。 有关 SSML 语法的详细信息，请参阅 SSML 文档结构和事件。

音素元素

该 phoneme 元素用于 SSML 文档中的拼音发音。 始终提供人类可读的语音作为备用。

拼音字母由电话组成，这些电话由字母、数字或字符组成，有时组合在一起。 每个手机描述独特的语音声音。 拼音字母与拉丁字母形成鲜明对比，在拉丁字母中，任何字母都可能代表多种发音。 想像一下在 en-US 中单词“candy”和“cease”中字母“c”的不同发音，或者字母组合“th”在单词“thing”和“those”中的不同发音。

下表描述了 phoneme 元素的属性用法。

音素示例

phoneme介绍了 元素属性支持的值。 在前两个示例中，指定了 ph="tə.ˈmeɪ.toʊ" 或 ph="təmeɪˈtoʊ" 的值来强调音节 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>

自定义词典

可以使用 phoneme 和 sub 元素来定义如何在 SSML 中读取单个实体（例如公司、医学术语或表情符号）。 若要定义多个实体的读取方式，请创建一个 XML 结构化自定义词典文件。 然后上传该自定义词典 XML 文件并使用 SSML lexicon 元素引用它。

下表描述了 lexicon 元素的属性用法。

自定义词典示例

lexicon介绍了 元素属性支持的值。

发布自定义词典后，可以从 SSML 引用它。 以下 SSML 示例引用了已上传到 https://www.example.com/customlexicon.xml 的自定义词典。 我们支持来自 Azure Blob 存储 的词典 URL。 但是，请注意，其他公共 URL 可能不兼容。

<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>

自定义词典文件

若要定义多个实体的读取方式，可以在扩展名为 .xml 或 .pls 的自定义词典 XML 文件中定义这些实体。

下面是自定义词典文件的一些限制：

• 文件大小：自定义词典文件大小限制为最多 100 KB。 如果文件大小超过 100 KB 限制，合成请求将失败。 如果文件大小超过 100 KB，则可以将词典拆分为多个词典，并将它们包含在 SSML 中。
• Lexicon 缓存刷新：首次加载时，自定义词典使用 URI 作为text to speech上的密钥进行缓存。 具有相同 URI 的词典在 15 分钟内不会重新加载，因此自定义词典更改最多需要等待 15 分钟才能生效。

发音词典规范 (PLS) 版本 1.0 中描述了自定义词典 XML 文件支持的元素和属性。 下面是支持的元素和属性的一些示例：

• lexicon 元素包含至少一个 lexeme 元素。 词典包含必需的 xml:lang 属性，用于指示要应用词典的区域设置。 根据设计，一个自定义词典仅限于一种区域设置，因此如果将其应用于另一种区域设置，它将无法正常工作。 lexicon 元素还有一个 alphabet 属性，该属性指示词典中使用的字母表。 可能的值为 ipa 和 x-microsoft-sapi。
• 每个 lexeme 元素包含至少一个 grapheme 元素以及一个或多个 grapheme、alias 和 phoneme 元素。 该 lexeme 元素在自定义词典中区分大小写。 例如，如果只提供 lexeme“Hello”的音素，则它对 lexeme“hello”不起作用。
• grapheme 元素包含描述拼字法的文本。
• 这些 alias 元素用于指示首字母缩略词或缩写词的发音。
• phoneme 元素提供描述 lexeme 发音方式的文本。 IPA 字母表中的音节边界为“.”。 使用 IPA 字母表时，phoneme 元素不能包含空格。
• 当alias和phoneme元素与grapheme元素一起提供时，alias的优先级更高。

Microsoft 提供了自定义词典验证工具来帮助你查找自定义词典文件中的错误（它还提供详细的错误消息）。 在生产环境中将自定义词典 XML 文件与语音服务配合使用之前，建议使用该工具。

自定义词典文件示例

以下 XML 示例（而不是 SSML）将包含在自定义词典 .xml 文件中。 使用此自定义词典时，“BTW”将读作“顺便说一句”。“Benigni”的发音按提供的 IPA “bɛˈniːnji” 阅读。

<?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>

不能使用自定义词典直接设置短语的发音。 如果需要设置首字母缩略词或缩写词的发音，请首先提供 alias，再将 phoneme 与该 alias 关联。 例如：

<?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>

也可以直接提供所需的 alias 作为首字母缩略词或缩写词。 例如：

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

前面的自定义词典 XML 文件示例使用 IPA 字母表，也称为 IPA 音素集。 我们建议你使用 IPA，因为它是国际标准。 对于某些 IPA 字符，使用 Unicode 表示时，它们是“预编译”和“分解”版本。 自定义词典仅支持分解的 Unicode。

语音服务为这些语言环境定义了 SAPI 拼音集：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 和 zh-TW。 有关语音服务拼音字母表的详细信息，请参阅 语音服务拼音集。

您可以将x-microsoft-sapi用作alphabet属性的值，配合自定义词典，如下所示：

<?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>

Say-as 元素

say-as 元素指示元素文本的内容类型（例如数字或日期）。 此元素为语音合成引擎提供有关如何朗读文本的指导。

下表描述了 say-as 元素的属性用法。

下面是 interpret-as 和 format 属性支持的内容类型。 仅当表中format列不为空时，才包含format属性。

假设示例

say-as介绍了 元素属性支持的值。

语音合成引擎将以下示例朗读为“您的第一个请求是预订一个房间，日期为二零一零年十月十九日，提前到达时间为下午十二点三十五分。”

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

子元素

使用 sub 元素可以用来指示别名属性的文本值应被发音，而非元素所包含的文本。 这样，SSML 既包含口语形式，又包含书面形式。

下表描述了 sub 元素的属性用法。

子示例

sub介绍了 元素属性支持的值。

语音合成引擎将以下示例称为“万维网联盟”。

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

Markdown 文档阅读

要读取 markdown 内容，可以使用 mstts:markdown 元素封装 markdown 文本。 TTS 仅读取 markdown 中的文本内容，并忽略 markdown 语法。

例如，以下 SSML 将读出两个句子：“这是标题”和“这是粗体文本”，并且不会读取 markdown 语法。

<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>

支持的 markdown 语法

TTS 支持 CommonMark 规范中定义的 markdown 语法，这是广泛使用的 markdown 规范。 有关 CommonMark 规范的详细信息，请参阅 CommonMark。

数学表达式的阅读

有两种方法可以读取数学表达式：

• 使用数学域元素，

  直接在 SSML 中嵌入纯文本数学表达式，并使用 指定数学域 <mstts:prompt domain="Math" />。

  请参阅以下部分： 读取纯文本数学表达式

• 使用 MathML 元素

  使用 MathML 元素表示数学表达式。

  请参阅以下部分： 使用 MathML 读取数学表达式

读取纯文本数学表达式

若要启用复杂的数学表达式读取，可以添加 <mstts:prompt domain="Math" /> 元素以启用特定于数学的发音规则。

<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>

默认情况下，数学表达式中不会读出括号。 如果想要读出括号，可以在 SSML 中指定<mstts:mathspeechverbosity level="verbose" />

<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>

如果要使用多语言语音读出其他语言的表达式，请在 SSML 中指定 lang 元素。

<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>

使用 MathML 读取数学表达式

数学标记语言（MathML）是一种 XML 兼容的标记语言，用于描述数学内容和结构。 语音服务可以使用 MathML 作为输入文本，以便在输出音频中正确读出数学符号。

MathML 2.0 和 MathML 3.0 规范中的所有元素均受支持，但 MathML 3.0 基础数学元素除外。

请注意以下 MathML 元素和属性：

• xmlns 中的 <math xmlns="http://www.w3.org/1998/Math/MathML"> 属性是可选的。
• semantics、annotation 和 annotation-xml 元素不输出语音，因此将被忽略。
• 如果无法识别某个元素，将忽略该元素，但仍会处理其中的子元素。

XML 语法不支持 MathML 实体，因此必须使用相应的 unicode 字符来表示该实体，例如，实体 © 应使用其 unicode 字符 © 来表示，否则会发生错误。

MathML 示例

此示例的文本转语音输出是“a 平方加 b 平方等于 c 平方”。

<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>

后续步骤

• SSML 概述
• SSML 文档结构和事件
• 语言支持：语音、区域设置、语言