Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Vous pouvez utiliser le langage SSML (Speech Synthesis Markup Language) pour spécifier le texte à voix, la langue, le nom, le style et le rôle de votre sortie vocale. Vous pouvez également utiliser plusieurs voix dans un seul document SSML et ajuster l’accentuation, la fréquence de parole, la hauteur et le volume. En outre, SSML offre la possibilité d’insérer du contenu audio préenregistré, tel qu’un effet sonore ou une note musicale.
L’article vous montre comment utiliser des éléments SSML pour spécifier la voix et le son. Pour plus d’informations sur la syntaxe SSML, consultez la structure et les événements de document SSML.
Utiliser des éléments vocaux
Au moins un élément voice doit être spécifié dans chaque élément speak SSML. Cet élément détermine la voix utilisée pour la synthèse vocale.
Vous pouvez inclure plusieurs voice éléments dans un seul document SSML. Chaque voice élément peut spécifier une voix différente. Vous pouvez également utiliser la même voix plusieurs fois avec différents paramètres, par exemple lorsque vous modifiez la durée du silence entre les phrases.
Le tableau suivant décrit l’utilisation des attributs de l’élément voice :
| Attribut | Description | Obligatoire ou facultatif |
|---|---|---|
name |
La voix utilisée pour le rendu en synthèse vocale. Pour obtenir la liste complète des voix standard prises en charge, consultez la prise en charge de la langue. | Obligatoire |
effect |
Processeur d’effet audio utilisé pour optimiser la qualité de la sortie vocale synthétisée pour des scénarios spécifiques sur les appareils. Pour certains scénarios dans les environnements de production, l’expérience auditive peut être détériorée en raison de la distorsion de lecture sur certains appareils. Par exemple, la synthèse vocale d’un haut-parleur de voiture peut sembler terne et étouffée en raison de facteurs environnementaux tels que la réponse du haut-parleur, la réverbération de salle et le bruit d’arrière-plan. Le passager devra peut-être augmenter le volume pour entendre plus clairement. Pour éviter les opérations manuelles dans un tel scénario, le processeur d’effet audio peut rendre le son plus clair en compensant la distorsion de la lecture. Les valeurs suivantes sont prises en charge :
Si la valeur est manquante ou non valide, cet attribut est ignoré et aucun effet n’est appliqué. |
Optionnel |
Exemples vocaux
Pour plus d’informations sur les valeurs prises en charge pour les attributs de l’élément voice , consultez Utiliser des éléments vocaux.
Exemple de voix unique
Cet exemple utilise la voix en-US-Ava:DragonHDLatestNeural.
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-Ava:DragonHDLatestNeural">
This is the text that is spoken.
</voice>
</speak>
Exemple de voix multiples
Dans l’élément speak , vous pouvez spécifier plusieurs voix pour la sortie de synthèse vocale. Ces voix peuvent se trouver dans différentes langues. Pour chaque voix, le texte doit être encapsulé dans un voice élément.
Cet exemple alterne entre les voix en-US-Ava:DragonHDLatestNeural et en-US-Andrew:DragonHDLatestNeural. Les voix multilingues neuronales peuvent parler différentes langues en fonction du texte d’entrée.
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-Ava:DragonHDLatestNeural">
Good morning!
</voice>
<voice name="en-US-Andrew:DragonHDLatestNeural">
Good morning to you too Ava!
</voice>
</speak>
Exemple de voix personnalisée
Pour utiliser votre voix personnalisée, spécifiez le nom du modèle comme nom vocal dans SSML.
Cet exemple utilise une voix personnalisée nommée my-custom-voice.
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="my-custom-voice">
This is the text that is spoken.
</voice>
</speak>
Exemple d’effet audio
Vous utilisez l’attribut effect pour optimiser l’expérience auditive pour les scénarios tels que les voitures et les télécommunications. L’exemple SSML suivant utilise l’attribut effect avec la configuration dans le cadre de scénarios liés aux voitures.
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-AvaMultilingualNeural" effect="eq_car">
This is the text that is spoken.
</voice>
</speak>
Exemple vocal multi-locuteur
Les voix multi-talker permettent des conversations naturelles et dynamiques avec plusieurs haut-parleurs distincts. Cette innovation améliore le réalisme des dialogues synthétisés en préservant le flux contextuel, la cohérence émotionnelle et les modèles de parole naturelle.
Utilisez cette fonctionnalité pour générer des échanges vocaux de style podcast ou conversationnels attrayants avec des transitions transparentes entre les orateurs. Contrairement aux modèles monoparlants, qui synthétisent chaque tour en isolement, les voix multi-interlocuteur maintiennent la cohérence tout au long des dialogues, garantissant ainsi une expérience d’écoute plus authentique et immersive.
Pour en-US-MultiTalker-Ava-Andrew:DragonHDLatestNeural, dans l’élément <mstts:dialog> , vous pouvez spécifier chaque tour pour la sortie de texte en synthèse vocale, avec le format ci-dessous pour alterner entre le haut-parleur ava et andrew pour chaque tour.
<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-MultiTalker-Ava-Andrew:DragonHDLatestNeural'>
<mstts:dialog>
<mstts:turn speaker="ava">Hello, Andrew! How's your day going?</mstts:turn>
<mstts:turn speaker="andrew">Hey Ava! It's been great, just exploring some AI advancements in communication.</mstts:turn>
<mstts:turn speaker="ava">That sounds interesting! What kind of projects are you working on?</mstts:turn>
<mstts:turn speaker="andrew">Well, we've been experimenting with text-to-speech applications, including turning emails into podcasts.</mstts:turn>
<mstts:turn speaker="ava">Wow, that could really improve content accessibility! Are you looking for collaborators?</mstts:turn>
<mstts:turn speaker="andrew">Absolutely! We're open to testing new ideas and seeing how AI can enhance communication.</mstts:turn>
</mstts:dialog>
</voice>
</speak>
Pour connaître les voix prises en charge, consultez la documentation de prise en charge de la langue .
Utiliser des styles parlants, des paralinguistiques et des rôles
Styles et paralinguistiques dans les voix HD
Dans les voix HD (DragonHD, DragonHD Omni et DragonHD Flash), les styles et les éléments paralinguistiques peuvent être utilisés de trois façons :
| Type d’entrée | Exemple |
|---|---|
| SSML (balise express-as) |
<Parler> <voice name=« en-us-Ava :DragonHDLatestNeural »> <mstts :express-as style="chuchotement">Ne dites personne...</mstts :express-as> <mstts :express-as style="ecstatic">C'est incroyable !</mstts :express-as> </Voix> </Parler> |
| SSML (marqueurs de style) |
<Parler> <voice name=« en-us-Ava :DragonHDLatestNeural »> [chuchotement] Ne dis à personne... [ecstatic] C'est incroyable! </Voix> </Parler> |
| Texte brut (après avoir choisi la voix) | [chuchotement] Ne dis à personne... [ecstatic] C'est incroyable! |
Note
Un marqueur de style s’applique à toutes les phrases suivantes jusqu’à ce que vous réinitialisiez le style.
- Permet
[Neutral]de basculer vers le style par défaut. -
\r\n, la<p>balise et les limites de phrase automatique basculent vers le style par défaut. - La
<break>balise ne passe pas au style par défaut.
Styles pris en charge pour Dragon HD
Les balises styles et paralinguistiques suivantes sont prises en charge dans les voix HD
| Type | Étiquette |
|---|---|
| Styles |
amazed, amused, angry, annoyed, anxious, appreciative, calm, cautious, concerned, confident, confused, curious, defeated, defensive, defiant, determined, disappointed, disgusted, doubtful, ecstatic, encouraging, excited, fast, fearful, frustrated, happy, hesitant, hurt, impatient, impressed, intrigued, joking, laughing, optimistic, painful, panicked, panting, pleading, proud, quiet, reassuring, reflective, relieved, remorseful, resigned, sad, sarcastic, secretive, serious, shocked, shouting, shy, skeptical, slow, struggling, surprised, suspicious, sympathetic, terrified, upset, urgent, whispering |
| Paralinguistiques |
laughter, , coughing, breathingthroat_clearing, , sighingyawning |
Note
Les styles sont disponibles sur tout le contenu anglais pour toutes les voix. Les résultats de style sont fortement pertinents pour le contenu d’entrée : le modèle adapte l’application de style en fonction de la signification sémantique du texte. Les éléments paralinguistiques sont disponibles sur toutes les voix pour toutes les langues.
Styles pris en charge pour Dragon HD Omni
Les balises styles et paralinguistiques suivantes sont prises en charge dans les voix HDOmni
| Type | Étiquette |
|---|---|
| Styles |
amazed, angry, optimistic, slow, shy, shocked, skeptical, secretive, resigned, upset, sympathetic, struggling, serious, remorseful, reassuring, proud, pleading, panting, laughing, painful, reflective, terrified, suspicious, surprised, relieved, sad, panicked, sarcastic, quiet, shouting, amused, annoyed, anxious, appreciative, calm, cautious, concerned, confident, confused, curious, defeated, defensive, defiant, determined, disappointed, disgusted, doubtful, ecstatic, encouraging, excited, fast, fearful, frustrated, happy, hesitant, hurt, impatient, impressed, intrigued, joking, urgent |
| Paralinguistiques |
laughter, , coughing, breathingthroat_clearing, , sighingyawning |
Note
Les styles sont disponibles sur tout le contenu anglais pour toutes les voix. Les résultats de style sont fortement pertinents pour le contenu d’entrée : le modèle adapte l’application de style en fonction de la signification sémantique du texte. La paralinguistique est disponible pour toutes les voix dans toutes les langues.
Styles et rôles dans les voix neuronales
Par défaut, les voix neuronales ont un style de parole neutre. Vous pouvez ajuster le style de parole, le degré de style et le rôle au niveau de la phrase.
Note
Le service Speech prend en charge les styles, le degré de style et les rôles d’un sous-ensemble de voix neuronales, comme décrit dans la documentation sur les styles de voix et les rôles . Pour déterminer les styles et rôles pris en charge pour chaque voix, vous pouvez également utiliser l’API liste des voix et l'application web de création de contenu audio.
Le tableau suivant décrit l’utilisation des attributs de l’élément mstts:express-as :
| Attribut | Description | Obligatoire ou facultatif |
|---|---|---|
style |
Style vocal spécifique. Vous pouvez exprimer des émotions telles que la gaieté, l’empathie et le calme. Vous pouvez également optimiser la voix pour différents scénarios tels que le service à la clientèle, le newscast et l’assistant vocal. Si la valeur de style est manquante ou non valide, l’élément entier mstts:express-as est ignoré et le service utilise la voix neutre par défaut. Pour connaître les styles vocaux personnalisés, consultez l’exemple de style vocal personnalisé. |
Obligatoire |
styledegree |
Intensité du style parlant. Vous pouvez spécifier un style plus fort ou plus doux pour rendre le discours plus expressif ou subduisé. La plage de valeurs acceptées est la suivante : 0.01 à 2 inclure. La valeur par défaut est 1, ce qui signifie l’intensité de style prédéfinie. L’unité minimale est 0.01, ce qui résulte en une légère inclinaison vers le style cible. Une valeur de 2 entraîne un doublement de l'intensité de style par défaut. Si le degré de style est manquant ou n’est pas pris en charge pour votre voix, cet attribut est ignoré. |
Optionnel |
role |
Jeu de rôle. La voix peut imiter un âge et un sexe différents, mais le nom de la voix n’est pas modifié. Par exemple, une voix masculine peut élever la hauteur et changer l’intonation pour imiter une voix féminine, mais le nom de la voix n’est pas modifié. Si le rôle est absent ou non pris en charge pour votre voix, cet attribut est ignoré. | Optionnel |
Le tableau suivant décrit chaque attribut pris en charge style :
| Style | Description |
|---|---|
style="advertisement_upbeat" |
Exprime une tonalité excitée et haute énergie pour promouvoir un produit ou un service. |
style="affectionate" |
Exprime un ton chaleureux et affectueux, avec plus de hauteur et d’énergie vocale. L’orateur cherche à attirer l’attention de l’auditeur. La personnalité de l’orateur est souvent attachante dans la nature. |
style="angry" |
Exprime un ton en colère et ennuyé. |
style="assistant" |
Exprime un ton chaleureux et détendu pour les assistants numériques. |
style="calm" |
Exprime une attitude cool, posée et composée en parlant. Le ton, la hauteur et la prosodie sont plus uniformes par rapport à d’autres types de parole. |
style="chat" |
Exprime un ton décontracté et détendu. |
style="cheerful" |
Exprime un ton positif et heureux. |
style="customerservice" |
Exprime un ton convivial et utile pour le support client. |
style="depressed" |
Exprime un ton mélancolique et déspondent avec une hauteur et une énergie inférieures. |
style="disgruntled" |
Exprime une tonalité désintérante et plaignante. L'expression de cette émotion montre du mécontentement et du mépris. |
style="documentary-narration" |
Narre les documentaires dans un style détendu, intéressé et informatif adapté aux documentaires, aux commentaires d’experts et au contenu similaire. |
style="embarrassed" |
Exprime un ton incertain et hésitant lorsque l’orateur se sent mal à l’aise. |
style="empathetic" |
Exprime un sentiment de soin et de compréhension. |
style="envious" |
Exprime un ton d’admiration lorsque vous désirez quelque chose que quelqu’un d’autre a. |
style="excited" |
Exprime un ton optimiste et plein d'espoir. Il semble que quelque chose de génial se passe et que le haut-parleur est heureux à ce sujet. |
style="fearful" |
Exprime un ton effrayé et nerveux, avec un ton plus aigu, une énergie vocale plus élevée et un rythme plus rapide. L’orateur est dans un état de tension et d’instabilité. |
style="friendly" |
Exprime un ton agréable, invitant et chaleureux. Ça semble sincère et bienveillant. |
style="gentle" |
Exprime un ton doux, poli et agréable, avec une voix basse et une énergie vocale. |
style="hopeful" |
Exprime un ton chaud et nostalgique. On s’attend à ce que quelque chose de bon arrive à l’orateur. |
style="lyrical" |
Exprime les émotions d’une manière mélodique et sentimentale. |
style="narration-professional" |
Exprime un ton professionnel et objectif pour la lecture de contenu. |
style="narration-relaxed" |
Exprime un ton apaisant et mélodieux pour la lecture de contenu. |
style="newscast" |
Exprime un ton formel et professionnel pour la narration de nouvelles. |
style="newscast-casual" |
Exprime un ton polyvalent et décontracté pour la livraison d’actualités générales. |
style="newscast-formal" |
Exprime un ton formel, confiant et faisant autorité pour la livraison des nouvelles. |
style="poetry-reading" |
Exprime un ton émotionnel et rythmique tout en lisant un poème. |
style="sad" |
Exprime un ton triste. |
style="serious" |
Exprime un ton strict et autoritaire. L’orateur a souvent l’air sévère et peu détendu et sa cadence reste ferme. |
style="shouting" |
Exprime un ton qui sonne comme si la voix est distante ou dans un autre endroit et fait un effort pour être clairement entendu. |
style="sports_commentary" |
Exprime un ton détendu et intéressé pour la diffusion d’un événement sportif. |
style="sports_commentary_excited" |
Exprime un ton intensif et énergique pour diffuser des moments passionnants dans un événement sportif. |
style="whispering" |
Exprime un ton doux cherchant à émettre un son calme et tranquille. |
style="terrified" |
Exprime un ton effrayant, avec un rythme plus rapide et une voix plus agitée. Il semble que le haut-parleur soit dans un état instable et frénétique. |
style="unfriendly" |
Exprime un ton froid et indifférent. |
Le tableau suivant contient des descriptions de chaque attribut pris en charge role :
| Rôle | Description |
|---|---|
role="Girl" |
La voix imite une fille. |
role="Boy" |
La voix imite un garçon. |
role="YoungAdultFemale" |
La voix imite une jeune femelle adulte. |
role="YoungAdultMale" |
La voix imite un jeune homme adulte. |
role="OlderAdultFemale" |
La voix imite une femelle adulte plus âgée. |
role="OlderAdultMale" |
La voix imite un mâle adulte plus âgé. |
role="SeniorFemale" |
La voix imite une femme âgée. |
role="SeniorMale" |
La voix imite un homme senior. |
mstts express-as exemples
Pour plus d’informations sur les valeurs prises en charge pour les attributs de l’élément mstts:express-as, consultez Utilisation des styles et des rôles vocaux.
Exemple de style et de degré
Vous utilisez l’élément mstts:express-as pour exprimer des émotions telles que la gaieté, l’empathie et le calme. Vous pouvez également optimiser la voix pour différents scénarios tels que le service à la clientèle, le newscast et l’assistant vocal.
L’exemple SSML suivant utilise l’élément <mstts:express-as> avec un degré de style sad2.
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="zh-CN">
<voice name="zh-CN-XiaomoNeural">
<mstts:express-as style="sad" styledegree="2">
快走吧，路上一定要注意安全，早去早回。
</mstts:express-as>
</voice>
</speak>
Exemple de rôle
Outre l’ajustement des styles de parole et du degré de style, vous pouvez également ajuster le role paramètre afin que la voix imite un âge et un sexe différents. Par exemple, une voix masculine peut élever la hauteur et changer l’intonation pour imiter une voix féminine, mais le nom de la voix n’est pas modifié.
Cet extrait de code SSML illustre la façon dont l’attribut role est utilisé pour modifier le jeu de rôles pour zh-CN-XiaomoNeural.
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="zh-CN">
<voice name="zh-CN-XiaomoNeural">
女儿看见父亲走了进来，问道：
<mstts:express-as role="YoungAdultFemale" style="calm">
“您来的挺快的，怎么过来的？”
</mstts:express-as>
父亲放下手提包，说：
<mstts:express-as role="OlderAdultMale" style="calm">
“刚打车过来的，路上还挺顺畅。”
</mstts:express-as>
</voice>
</speak>
Exemple de style vocal personnalisé
Vous pouvez entraîner votre voix personnalisée pour parler avec certains styles prédéfinis tels que cheerful, sadet whispering. Vous pouvez également affiner une voix professionnelle pour parler dans un style personnalisé tel que déterminé par vos données d’entraînement. Pour utiliser votre style vocal personnalisé dans SSML, spécifiez le nom de style que vous avez entré précédemment dans Speech Studio.
Cet exemple utilise une voix personnalisée nommée my-custom-voice. La voix personnalisée s'exprime avec le style prédéfini cheerful et un degré de style de 2, puis avec un style personnalisé nommé my-custom-style et un degré de style de 0.01.
<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="my-custom-voice">
<mstts:express-as style="cheerful" styledegree="2">
That'd be just amazing!
</mstts:express-as>
<mstts:express-as style="my-custom-style" styledegree="0.01">
What's next?
</mstts:express-as>
</voice>
</speak>
ID de profil de l’orateur
Vous utilisez l’élément mstts:ttsembedding pour spécifier la speakerProfileId propriété d’une voix personnelle. La voix personnelle est une voix personnalisée formée sur votre propre voix ou la voix de votre client. Pour plus d’informations, consultez créer une voix personnelle.
L’exemple SSML suivant utilise l’élément <mstts:ttsembedding> avec un nom vocal et un ID de profil de haut-parleur.
<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 xml:lang='en-US' xml:gender='Male' name='PhoenixV2Neural'>
<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. 我很高兴听到你觉得我很了不起，我让你的旅行计划更轻松、更有趣。Je suis heureux d'apprendre que vous me trouvez incroyable et que j'ai rendu la planification de votre voyage plus facile et plus amusante.
</mstts:ttsembedding>
</voice>
</speak>
Ajuster les paramètres de langues parlées
Par défaut, les voix multilingues peuvent détecter automatiquement la langue du texte d’entrée et parler dans la langue des paramètres régionaux par défaut du texte d’entrée sans utiliser SSML. Si vous le souhaitez, vous pouvez utiliser l’élément <lang xml:lang> pour ajuster la langue de parole pour ces voix afin de définir l’accent préféré comme en-GB pour l’anglais britannique. Vous pouvez ajuster la langue parlante au niveau de la phrase et au niveau du mot. Pour plus d’informations sur les langues prises en charge pour la voix multilingue, consultez les voix multilingues avec l’élément lang pour un tableau montrant la syntaxe et les <lang> définitions d’attributs.
Le tableau suivant décrit l’utilisation des attributs de l’élément <lang xml:lang> :
| Attribut | Description | Obligatoire ou facultatif |
|---|---|---|
xml:lang |
Langue que vous voulez que la voix neuronale parle. | Obligatoire pour ajuster la langue utilisée par la voix neuronale. Si vous utilisez lang xml:lang, les paramètres régionaux doivent être fournis. |
Note
Les voix non multilingues ne prennent pas en charge l’élément <lang xml:lang> par conception.
Voix multilingues avec l’élément lang
Utilisez la section voix multilingues pour déterminer les langues vocales prises en charge par le service Speech pour chaque voix neuronale, comme illustré dans l’exemple de tableau suivant. Si la voix ne parle pas la langue du texte d’entrée, le service Speech ne génère pas d’audio synthétisé.
| Voix | Numéro de langue détecté automatiquement | Langue détectée automatiquement (paramètres régionaux) | Tous les numéros de paramètres régionaux | Toutes les langues (paramètres régionaux) prises en charge à partir de SSML |
|---|---|---|---|---|
en-US-AndrewMultilingualNeural
1 (Mâle)en-US-AvaMultilingualNeural
1 (Femelle)en-US-BrianMultilingualNeural
1 (Mâle)en-US-EmmaMultilingualNeural
1 (Femelle) |
77 | Afrikaans (af-ZA), Albanais (sq-AL), Amharique (am-ET), Arabe (ar-EG), Arménien (hy-AM), Azerbaïdjanais (az-AZ), Bahasa Indonésien (id-ID), Bangla (bn-BD), Basque (eu-ES), Bengali (bn-IN), Bosnien (bs-BA), Bulgare (bg-BG), Birman (my-MM), Catalan (ca-ES), Cantonais chinois (zh-HK), Mandarin chinois (zh-CN), Chinois Taïwanais (zh-TW), Croate (hr-HR), Tchèque (cs-CZ), Danois (da-DK), Néerlandais (nl-NL), Anglais (en-US), Estonien (et-EE), Philippin (fil-PH), Finnois (fi-FI), Français (fr-FR), Galicien (gl-ES), Géorgien (ka-GE), Allemand (de-DE), Grec (el-GR), Hébreu (he-IL), Hindi (hi-IN), Hongrois (hu-HU), Islandais (is-IS), Irlandais (ga-IE), Italien (it-IT), Japonais (ja-JP), Javanais (jv-ID), Kannada (kn-IN), Kazakh (kk-KZ), Khmer (km-KH), Coréen (ko-KR), Lao (lo-LA), Letton (lv-LV), Lituanien (lt-LT), Macédonien (mk-MK), Malais (ms-MY), Malayalam (ml-IN), Maltais (mt-MT), Mongol (mn-MN), Népalais (ne-NP), Norvégien Bokmål (nb-NO), Pashto (ps-AF), Persan (fa-IR), Polonais (pl-PL), Portugais (pt-BR), Roumain (ro-RO), Russe (ru-RU), Serbe (sr-RS), Sinhala (si-LK), Slovaque (sk-SK), Slovène (sl-SI), Somalien (so-SO), Espagnol (es-ES), Soundanais (su-ID), Swahili (sw-KE), Suédois (sv-SE), Tamoul (ta-IN), Telugu (te-IN), Thaï (th-TH), Turc (tr-TR), Ukrainien (uk-UA), Urdu (ur-PK), Uzbek (uz-UZ), Vietnamien (vi-VN), Gallois (cy-GB), Zoulou (zu-ZA) |
91 | Afrikaans (South Africa) (af-ZA), Albanian (Albania) (sq-AL), Amharic (Ethiopia) (am-ET), Arabic (Egypt) (ar-EG), Arabic (Saudi Arabia) (ar-SA), Armenian (Armenia) (hy-AM), Azerbaijani (Azerbaijan) (az-AZ), Basque (Basque) (eu-ES), Bengali (India) (bn-IN), Bosnian (Bosnia and Herzegovina) (bs-BA), Bulgarian (Bulgaria) (bg-BG), Burmese (Myanmar) (my-MM), Catalan (Spain) (ca-ES), Chinese (Cantonese, Traditional) (zh-HK), Chinese (Mandarin, Simplified) (zh-CN), Chinese (Taiwanese Mandarin) (zh-TW), Croatian (Croatia) (hr-HR), Czech (Czech) (cs-CZ), Danish (Denmark) (da-DK), Dutch (Belgium) (nl-BE), Dutch (Netherlands) (nl-NL), English (Australia) (en-AU), English (Canada) (en-CA), English (Hong Kong SAR) (en-HK), English (India) (en-IN), English (Ireland) (en-IE), English (United Kingdom) (en-GB), English (États-Unis) (en-US), Estonian (Estonia) (et-EE), Filipino (Philippines) (fil-PH), Finnish (Finland) (fi-FI), French (Belgium) (fr-BE), French (Canada) (fr-CA), French (France) (fr-FR), French (Switzerland) (fr-CH), Galician (Galician) (gl-ES), Georgian (Georgia) (ka-GE), German (Austria) (de-AT), German (Germany) (de-DE), German (Switzerland) (de-CH), Greek (Greece) (el-GR), Hebrew (Israel) (he-IL), Hindi (India) (hi-IN), Hungarian (Hungary) (hu-HU), Icelandic (Iceland) (is-IS), Indonesian (Indonesia) (id-ID), Irish (Ireland) (ga-IE), Italian (Italy) (it-IT), Japanese (Japan) (ja-JP), Javanese (Indonesia) (jv-ID), Kannada (India) (kn-IN), Kazakh (Kazakhstan) (kk-KZ), Khmer (Cambodia) (km-KH), Korean (Korea) (ko-KR), Lao (Laos) (lo-LA), Latvian (Latvia) (lv-LV), Lithuanian (Lithuania) (lt-LT), Macedonian (North Macedonia) (mk-MK), Malay (Malaysia) (ms-MY), Malayalam (India) (ml-IN), Maltese (Malta) (mt-MT), Mongolian (Mongolia) (mn-MN), Nepali (Nepal) (ne-NP), Norwegian (Bokmål, Norway) (nb-NO), Pashto (Afghanistan) (ps-AF), Persian (Iran) (fa-IR), Polish (Poland) (pl-PL), Portuguese (Brazil) (pt-BR), Portuguese (Portugal) (pt-PT), Romanian (Romania) (ro-RO), Russian (Russia) (ru-RU), Serbian (Cyrillic, Serbia) (sr-RS), Sinhala (Sri Lanka) (si-LK), Slovak (Slovakia) (sk-SK), Slovenian (Slovenia) (sl-SI), Somali (Somalia) (so-SO), Spanish (Mexico) (es-MX), Spanish (Spain) (es-ES), Sundanese (Indonesia) (su-ID), Swahili (Kenya) (sw-KE), Swedish (Sweden) (sv-SE), Tamil (India) (ta-IN), Telugu (India) (te-IN), Thai (Thailand) (th-TH), Turkish (Türkiye) (tr-TR), Ukrainian (Ukraine) (uk-UA), Urdu (Pakistan) (ur-PK), Uzbek (Uzbekistan) (uz-UZ), Vietnamese (Vietnam) (vi-VN), Welsh (United Kingdom) (cy-GB), Zulu (South Africa) (zu-ZA) |
1 Il s’agit de voix multilingues neuronales dans Azure Speech in Foundry Tools. Toutes les voix multilingues peuvent parler dans la langue du paramètre régional par défaut du texte d’entrée sans utiliser SSML. Toutefois, vous pouvez toujours utiliser l’élément <lang xml:lang> pour ajuster l’accent parlant de chaque langue pour définir l’accent préféré tel que l’accent britannique (en-GB) pour l’anglais. Le préfixe dans chaque nom vocal indique ses paramètres régionaux principaux ; par exemple, les paramètres régionaux principaux sont en-US-AndrewMultilingualNeuralen-US.
Exemples de langue
Pour plus d’informations sur les valeurs prises en charge pour les attributs de l’élément, consultez Ajuster la langlangue de parole.
Vous devez spécifier en-US comme langue par défaut dans l’élément speak , si la langue est ajustée ou non ailleurs. Dans cet exemple, la langue principale pour en-US-Ava:DragonHDLatestNeural est en-US.
Cet extrait de code SSML montre comment utiliser <lang xml:lang> pour parler de-DE avec la en-US-Ava:DragonHDLatestNeural voix neuronale.
<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">
<lang xml:lang="de-DE">
Wir freuen uns auf die Zusammenarbeit mit Ihnen!
</lang>
</voice>
</speak>
Dans l’élément speak , vous pouvez spécifier plusieurs langues, notamment en-US pour la sortie de synthèse vocale. Pour chaque langue ajustée, le texte doit correspondre à la langue et être encapsulé dans un voice élément. Cet extrait de code SSML montre comment utiliser <lang xml:lang> pour modifier les langues parlantes en es-MX, en-USet fr-FR.
<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">
<lang xml:lang="es-MX">
¡Esperamos trabajar con usted!
</lang>
<lang xml:lang="en-US">
We look forward to working with you!
</lang>
<lang xml:lang="fr-FR">
Nous avons hâte de travailler avec vous!
</lang>
</voice>
</speak>
Ajuster la prosodie
Vous pouvez utiliser l’élément prosody pour spécifier les modifications apportées à la hauteur, au contour, à la plage, à la vitesse et au volume pour la sortie de texte en synthèse vocale. L’élément prosody peut contenir du texte et les éléments suivants : audio, , pphoneme, prosody, say-as, , subet s.
Étant donné que les valeurs d’attribut prosodiques peuvent varier sur une large plage, le module de reconnaissance vocale interprète les valeurs attribuées comme une suggestion de ce que les valeurs prosodiques réelles de la voix sélectionnée doivent être. La synthèse vocale limite ou remplace les valeurs qui ne sont pas prises en charge. Des exemples de valeurs non prises en charge sont une hauteur de 1 MHz ou un volume de 120.
Le tableau suivant décrit l’utilisation des attributs de l’élément prosody :
| Attribut | Description | Obligatoire ou facultatif |
|---|---|---|
contour |
Le contour représente les changements d'intonation. Ces modifications sont représentées sous la forme d’un tableau de cibles à des positions temporelles spécifiées dans la sortie vocale. Les ensembles de paires de paramètres définissent chaque cible. Par exemple : <prosody contour="(0%,+20Hz) (10%,-2st) (40%,+10Hz)">La première valeur de chaque ensemble de paramètres spécifie l’emplacement du changement de hauteur en pourcentage de la durée du texte. La deuxième valeur correspond à l’augmentation ou la réduction de la hauteur de voix, spécifiée à l’aide d’une valeur relative ou d’une valeur d’énumération pour la hauteur de voix (voir pitch). Le contour mélodique ne fonctionne pas sur des mots simples et des phrases courtes. Il est recommandé d’ajuster le contour de la hauteur tonale sur des phrases entières ou longues. |
Optionnel |
pitch |
Indique la fréquence de base pour le texte. Les modifications de pitch peuvent être appliquées au niveau de la phrase. Les changements de hauteur du son doivent être compris entre 0,5 et 1,5 fois l'audio original. Vous pouvez exprimer le pitch comme suit :
|
Optionnel |
range |
Valeur qui représente la plage de hauteur pour le texte. Vous pouvez exprimer range en utilisant les mêmes valeurs absolues, valeurs relatives ou valeurs d’énumération utilisées pour décrire pitch. |
Optionnel |
rate |
Indique le taux de parole du texte. La vitesse d'élocution peut être appliquée au niveau du mot ou de la phrase. Les modifications de débit doivent être comprises entre 0.5 et 2 fois le débit audio d'origine. Vous pouvez exprimer rate comme suit :
|
Optionnel |
volume |
Indique le niveau de volume de la voix parlante. Les modifications de volume peuvent être appliquées au niveau de la phrase. Vous pouvez exprimer le volume comme suit :
|
Optionnel |
Exemples de prosodie
Pour plus d’informations sur les valeurs prises en charge pour les attributs de l’élément prosody , consultez Ajuster la prosodie.
Exemple de changement de taux de parole
Cet extrait de code SSML illustre la façon dont l’attribut rate est utilisé pour modifier le taux d’expression par 30% supérieur au taux par défaut.
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-Ava:DragonHDLatestNeural">
<prosody rate="+30.00%">
Enjoy using text to speech.
</prosody>
</voice>
</speak>
Exemple de modification du volume
Cet extrait de code SSML montre comment l’attribut volume est utilisé pour remplacer le volume par 20% supérieur au volume par défaut.
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-Ava:DragonHDLatestNeural">
<prosody volume="+20.00%">
Enjoy using text to speech.
</prosody>
</voice>
</speak>
Exemple de changement de ton
Cet extrait de code SSML illustre la façon dont l’attribut pitch est utilisé afin que la voix parle dans un ton élevé.
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-AvaMultilingualNeural">
Welcome to <prosody pitch="high">Enjoy using text to speech.</prosody>
</voice>
</speak>
Modifier l'exemple de contour de pitch
Cet extrait de code SSML illustre la façon dont l’attribut contour est utilisé pour modifier le contour.
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-AvaMultilingualNeural">
<prosody contour="(60%,-60%) (100%,+80%)" >
Were you the only person in the room?
</prosody>
</voice>
</speak>
Ajuster l’accentuation
Vous pouvez utiliser l’élément facultatif emphasis pour ajouter ou supprimer l’accentuation au niveau des mots dans le texte. Cet élément ne peut contenir que du texte et les éléments suivants : audio, , breakemphasis, lang, phoneme, prosody, say-as, subet voice.
Note
Le réglage de l’accentuation au niveau du mot est disponible uniquement pour ces voix neuronales : en-US-GuyNeural, en-US-DavisNeuralet en-US-JaneNeural.
Pour les mots qui ont une faible hauteur et une courte durée, la hauteur peut ne pas être suffisamment élevée pour être remarquée.
Le tableau suivant décrit les attributs de l’élément emphasis :
| Attribut | Description | Obligatoire ou facultatif |
|---|---|---|
level |
Indique la force de l’accentuation à appliquer :
Lorsque l’attribut level n’est pas spécifié, le niveau par défaut est moderate. Pour plus d’informations sur chaque attribut, consultez l’élément d’accentuation. |
Optionnel |
Exemples de mise en évidence
Pour plus d’informations sur les valeurs prises en charge pour les attributs de l’élément emphasis , consultez Ajuster l’accentuation.
Cet extrait de code SSML montre comment utiliser l’élément emphasis pour ajouter une accentuation de niveau modéré pour le mot « réunions ».
<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-AndrewMultilingualNeural">
I can help you join your <emphasis level="moderate">meetings</emphasis> fast.
</voice>
</speak>
Ajouter un audio enregistré
L’élément audio est facultatif. Vous pouvez l’utiliser pour insérer du contenu audio préenregistré dans un document SSML. Le corps de l’élément audio peut contenir du texte brut ou du balisage SSML parlé si le fichier audio n’est pas disponible ou n’est pas lisible. L’élément audio peut également contenir du texte et les éléments suivants : audio, , breakp, s, phoneme, , prosody, , say-aset sub.
Tout audio inclus dans le document SSML doit répondre aux exigences suivantes :
- Le fichier audio doit être valide *.mp3, *.wav, *.opus, *.ogg, *.flac ou *.wma fichiers.
- La durée totale combinée de tous les fichiers texte et audio dans une seule réponse ne peut pas dépasser 600 secondes.
- L’audio ne doit contenir aucune information spécifique au client ou à d’autres informations sensibles.
Note
L’élément audio n’est pas pris en charge par l’API Audio Long. Pour la synthèse vocale longue, utilisez plutôt l’API de synthèse par lots.
Le tableau suivant décrit l’utilisation des attributs de l’élément audio :
| Attribut | Description | Obligatoire ou facultatif |
|---|---|---|
src |
Emplacement DE l’URI du fichier audio. L’audio doit être hébergé sur un point de terminaison HTTPS accessible par Internet. HTTPS est requis. Le domaine hébergeant le fichier doit présenter un certificat TLS/SSL approuvé valide. Vous devez placer le fichier audio dans Stockage Blob dans la même région Azure que le point de terminaison de synthèse vocale pour réduire la latence. | Obligatoire |
Exemples audio
Pour plus d’informations sur les valeurs prises en charge pour les attributs de l’élément audio , consultez Ajouter un audio enregistré.
Cet extrait de code SSML montre comment utiliser src l’attribut pour insérer du contenu audio à partir de deux fichiers .wav.
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
<voice name="en-US-AvaMultilingualNeural">
<p>
<audio src="https://contoso.com/opinionprompt.wav"/>
Thanks for offering your opinion. Please begin speaking after the beep.
<audio src="https://contoso.com/beep.wav">
Could not play the beep, please voice your opinion now.
</audio>
</p>
</voice>
</speak>
Ajuster la durée audio
Utilisez l’élément mstts:audioduration pour définir la durée de l’audio de sortie. Utilisez cet élément pour aider à synchroniser l'achèvement de la sortie audio. La durée audio peut être réduite ou augmentée entre 0.5 et 2 fois la vitesse de l’audio d’origine. L’audio d’origine est l’audio sans aucun autre paramètre de débit. Le taux de parole est ralenti ou accéléré en conséquence en fonction de la valeur définie.
Le réglage de la durée audio s'applique à l'ensemble du texte d'entrée contenu dans l'élément voice qui l'entoure. Pour réinitialiser ou modifier à nouveau le paramètre de durée audio, vous devez utiliser un nouvel voice élément avec la même voix ou une autre voix.
Le tableau suivant décrit l’utilisation des attributs de l’élément mstts:audioduration :
| Attribut | Description | Obligatoire ou facultatif |
|---|---|---|
value |
Durée requise de l’audio de sortie en secondes, telles que 2s, ou en millisecondes, telles que 2000ms.La valeur maximale de la durée audio de sortie est de 300 secondes. Cette valeur doit être comprise entre 0.5 et 2 fois l’audio d’origine sans autres paramètres de débit. Par exemple, si la durée audio demandée est de 30s, alors l’audio original doit sinon être compris entre 15 et 60 secondes. Si vous définissez une valeur en dehors de ces limites, la durée est définie en fonction du multiple minimal ou maximal respectif. Pour l’audio de sortie de plus de 300 secondes, commencez par générer l’audio d’origine sans aucun autre paramètre de débit, puis calculez le taux à ajuster à l’aide du taux de prosodie pour atteindre la durée souhaitée. |
Obligatoire |
Exemples de durée audio mstts
Pour plus d’informations sur les valeurs prises en charge pour les attributs de l’élément mstts:audioduration , consultez Ajuster la durée audio.
Dans cet exemple, l’audio d’origine est d’environ 15 secondes. L’élément mstts:audioduration est utilisé pour définir la durée audio sur 20 secondes ou 20s.
<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-AvaMultilingualNeural">
<mstts:audioduration value="20s"/>
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>
Ajouter un audio d’arrière-plan
Vous pouvez utiliser l’élément mstts:backgroundaudio pour ajouter de l’audio en arrière-plan à vos documents SSML ou mélanger un fichier audio avec du texte en parole. Avec mstts:backgroundaudio, vous pouvez lire un fichier audio en boucle en arrière-plan, effectuer un fondu entrant au début de la synthèse vocale et un fondu sortant à la fin de la synthèse vocale.
Si l’audio d’arrière-plan fourni est plus court que la synthèse vocale ou que le fondu sortant, il est lu en boucle. S’il est plus long que la synthèse vocale, il s’arrête une fois le fondu sortant terminé.
Un seul fichier audio en arrière-plan est autorisé par document SSML. Vous pouvez intersperser audio des balises dans l’élément voice pour ajouter davantage d’audio à votre document SSML.
Note
L’élément mstts:backgroundaudio doit être placé devant tous les voice éléments. S’il est spécifié, il doit s’agir du premier enfant de l’élément speak .
L’élément mstts:backgroundaudio n’est pas pris en charge par l’API Audio Long. Pour la conversion de texte long par synthèse vocale, utilisez plutôt l’API de synthèse par lots (préversion).
Le tableau suivant décrit l’utilisation des attributs de l’élément mstts:backgroundaudio :
| Attribut | Description | Obligatoire ou facultatif |
|---|---|---|
src |
Emplacement DE l’URI du fichier audio en arrière-plan. | Obligatoire |
volume |
Volume du fichier audio en arrière-plan. Valeurs acceptées : 0 à 100 inclure. La valeur par défaut est 1. |
Optionnel |
fadein |
Durée de l’apparition en fondu du fond sonore, en millisecondes. La valeur par défaut est 0, ce qui équivaut à aucune apparition en fondu audio. Valeurs acceptées : 0 à 10000 inclure. |
Optionnel |
fadeout |
Spécifie la durée de la disparition en fondu du fond sonore, en millisecondes. La valeur par défaut est 0, ce qui équivaut à l’absence de fondu sortant. Valeurs acceptées : 0 et 10000 inclus. |
Optionnel |
exemples audio de fond mstss
Pour plus d’informations sur les valeurs prises en charge pour les attributs de l’élément mstts:backgroundaudi , consultez Ajouter un audio en arrière-plan.
<speak version="1.0" xml:lang="en-US" xmlns:mstts="http://www.w3.org/2001/mstts">
<mstts:backgroundaudio src="https://contoso.com/sample.wav" volume="0.7" fadein="3000" fadeout="4000"/>
<voice name="en-US-AvaMultilingualNeural">
The text provided in this document are spoken over the background audio.
</voice>
</speak>
Élément Viseme
Un viseme est la description visuelle d’un phonème dans la langue parlée. Il définit la position du visage et de la bouche pendant qu’une personne parle. Vous pouvez utiliser l’élément mstts:viseme dans SSML pour demander une sortie viseme. Pour plus d’informations, consultez Obtenir la position faciale avec un visème.
Le paramètre de visème s’applique à tout le texte d’entrée contenu dans l’élément voice qui l’encadre. Pour réinitialiser ou modifier à nouveau le paramètre viseme, vous devez utiliser un nouvel voice élément avec la même voix ou une autre voix.
L’utilisation des attributs de l’élément viseme est décrite dans le tableau suivant.
| Attribut | Description | Obligatoire ou facultatif |
|---|---|---|
type |
Type de sortie de viseme.
|
Obligatoire |
Note
Actuellement, redlips_front ne prend en charge que les voix neuronales dans le paramètre régional en-US, et FacialExpression prend en charge les voix neuronales dans les paramètres régionaux en-US et zh-CN.
Exemples de visème
Les valeurs prises en charge pour les attributs de l’élément viseme ont été décrites précédemment.
Cet extrait de code SSML montre comment demander la fusion de formes avec votre voix synthétisée.
<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>
Élément de conversion vocale
La conversion vocale (aperçu) est le processus de transformation des caractéristiques vocales d'un enregistrement audio donné en celles d'un locuteur cible. Après la conversion vocale, l’audio résultant réserve le contenu linguistique de l’audio source et la prosodie tandis que le timbre vocal sonne comme le haut-parleur cible. Pour plus d’informations, consultez conversion vocale.
Utilisez la <mstts:voiceconversion> balise via SSML (Speech Synthesis Markup Language) pour spécifier l’URL audio source et la voix cible pour la conversion. Pour obtenir la liste complète des voix cibles prises en charge, consultez les voix prises en charge pour la conversion vocale.
Le tableau suivant décrit l’utilisation des attributs de l’élément mstts:voiceconversion :
| Attribut | Description | Obligatoire ou facultatif |
|---|---|---|
url |
URL du fichier audio source qui fournit du contenu linguistique et de la prosodie pour la synthèse vocale. Le url doit être accessible via l’URL HTTPS. Par exemple, https://example.com/source.wavL’audio d’entrée doit être inférieur à 100 Mo. |
Obligatoire |
Voici comment fonctionne la conversion vocale :
- L’audio source est un fichier audio préenregistré qui contient les mots parlés et la prosodie.
- Contenu texte : la synthèse vocale finale suit les mots prononcés dans l’audio source.
- Prosodie et rythme : le discours maintient le minutage et l’intonation de la source.
- La
<voice>balise spécifie la voix cible utilisée pour l’audio de sortie. Pour plus d’informations sur les voix cibles prises en charge, consultez les voix prises en charge pour la conversion vocale. - L’audio de sortie conserve le timbre (tonalité et qualité de la voix) de la voix cible, mais suit le texte et le style parlant de l’audio source.
Note
Tous les éléments SSML liés à la prosodie et à la prononciation, tels que <prosody> ou <mstts:express-as> sont ignorés.
L’entrée de texte est facultative et tout texte inclus dans le SSML est ignoré pendant le rendu.
Exemples mstss voiceconversion
L’exemple suivant montre comment utiliser <mstts:voiceconversion> pour synthétiser la voix à l’aide d’une voix neuronale cible tout en correspondant à la fois au contenu et à la prosodie d’un audio source donné :
<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 xml:lang="en-US" xml:gender="Female" name="en-US-AvaMultilingualNeural">
<mstts:voiceconversion url="https://your.blob.core.windows.net/sourceaudio.wav"/>
</voice>
</speak>