使用 SSML 發音

  • 發行項

您可以使用語音合成標記語言 (SSML) 搭配文字轉換語音，以指定語音的發音方式。 例如，您可以使用 SSML 搭配音素和自訂語彙來改善發音。 您也可以使用 SSML 來定義單字或數學運算式的發音方式。

如需如何使用 SSML 元素來改善發音的詳細資訊，請參閱下列各節。 如需 SSML 語法的詳細資訊，請參閱 SSML 檔結構和事件。

phoneme 元素

phoneme 元素可用來設定 SSML 文件中的語音發音。 請一律提供人類可讀的語音作為後援。

語音字母由音素組成，音素由字母、數字或字元構成，有時會合併使用。 每個音素都會描述獨一無二的語音聲音。 這與拉丁字母相反，後者的任何字母都可能代表多個說出口的聲音。 請考慮 「candy」 和 「停止」 單字中字母 「c」 的不同 en-US 發音，或 「thing」 和 「those」 這兩個字中字母組合 「th」 的不同發音。

注意

如需支援電話設置的地區設定清單，請參閱語言支援資料表中的註腳。

phoneme下表說明元素屬性的使用方式。

屬性 描述 必要或選用
alphabet 當您在 屬性中 ph 合成字串發音時，要使用的注音字母。 指定字母的字串必須用小寫字母來指定。 下列選項是您可以指定的可能字母：
字母只適用於元素中的 phoneme。		 選擇性
ph 包含音素的字串，會指定 phoneme 元素中的文字發音。 如果指定的字串包含無法辨識的手機，文字轉換語音會拒絕整個 SSML 檔，並產生檔中未指定的語音輸出。

若 ipa 為 ，若要在這個音節之前放置壓力符號來強調一個音節，您必須標示單字的所有音節。 或者，這個壓力符號之前的音節將會受到壓力。 針對 sapi ，如果您想要強調一個音節，則必須在這個音節之後放置壓力符號，不論文字的所有音節是否都會標示。		 必要

phoneme 範例

先前已描述專案屬性 phoneme 的支援值。 在前兩個範例中，會指定 或 ph="təmeɪˈtoʊ" 的值 ph="tə.ˈmeɪ.toʊ" 來強調音節。 meɪ

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-JennyNeural">
        <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-JennyNeural">
        <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-JennyNeural">
        <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-JennyNeural">
        <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-JennyNeural">
        <phoneme alphabet='x-sampa' ph='he."lou'>hello</phoneme>
    </voice>
</speak>

自訂語彙

您可以定義單一實體 (的方式，例如公司、醫療詞彙或 emoji) 如何使用 音素 和 子 元素在 SSML 中讀取。 若要定義如何讀取多個實體，請建立 XML 結構化自訂語彙檔案。 然後上傳自訂語彙 XML 檔案，並使用 SSML lexicon 元素加以參考。

注意

如需支援自訂語彙的地區設定清單，請參閱語言支援資料表中的註腳。

長音訊 API 不支援 lexicon 元素。 對於長格式文字轉換語音，請改用 批次合成 API (Preview) 。

lexicon下表說明元素屬性的使用方式。

屬性 描述 必要或選用
uri 具有 或 .pls 副檔名之可公開存取之自訂語彙 XML 檔案的 .xml URI。 建議使用Azure Blob 儲存體，但並非必要。 如需自訂語彙檔案的詳細資訊，請參閱發音語彙規格 (PLS) 1.0 版。 必要

自訂語彙範例

先前已描述專案屬性 lexicon 的支援值。

在發佈自訂語彙後，就可以從 SSML 對其進行參考。 下列 SSML 範例會參考已上傳至 https://www.example.com/customlexicon.xml 的自訂語彙。

<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">
        <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>

自訂語彙檔案

若要定義讀取多個實體的方式，您可以在具有 .xml 或 .pls 副檔名的自訂語彙 XML 檔案中定義它們。

注意

自訂語彙檔案是有效的 XML 檔，但不能當做 SSML 檔使用。

以下是自訂語彙檔案的一些限制：

  • 檔案大小：自訂語彙檔案大小上限為 100 KB。 如果檔案大小超過 100 KB 的限制，合成要求就會失敗。
  • 語彙快取重新整理：自訂語彙會在第一次載入時，使用 URI 作為文字轉換語音的索引鍵來快取。 具有相同 URI 的語彙將不會在 15 分鐘內重新載入，因此自訂語彙的變更最多必須等待 15 分鐘才會生效。

自訂語彙 XML 檔案的支援元素和屬性會在 發音語彙規格 (PLS) 1.0版中說明。 以下是支援的元素和屬性的一些範例：

  • lexicon 元素至少包含一個 lexeme 元素。 語彙包含必要的 xml:lang 屬性，可指出其應該適用的地區設定。 依設計，一個自訂語彙只能用於一個地區設定，因此如果您將其套用到其他地區設定，其不會有作用。 元素 lexicon 也有 alphabet 屬性，用來指出語彙中使用的字母。 可能值為 ipa 和 x-microsoft-sapi。
  • 每個 lexeme 元素都至少包含一個 grapheme 元素以及一或多個 grapheme、alias 和 phoneme 元素。 lexeme 元素在自訂語彙中會區分大小寫。 例如，如果您只提供 lexeme 「Hello」 的音素，它將無法用於 lexeme 「hello」。
  • grapheme 元素包含描述正寫法的文字。
  • alias 元素可用來指出縮略字或簡稱的發音。
  • phoneme 元素會提供文字來描述 lexeme 的發音方式。 IPA 字母中的音節界限是 '.'。 當您使用 IPA 字母時，元素 phoneme 不能包含空白字元。
  • 如果所提供的 alias 和 phoneme 元素有相同的 grapheme 元素，則 alias 的優先順序較高。

Microsoft 提供 自訂語彙的驗證工具 ，可協助您尋找 (自訂語彙檔案中詳細錯誤訊息) 的錯誤。 建議您先使用此工具，再搭配語音服務在生產環境中使用自訂語彙 XML 檔案。

自訂語彙檔案範例

下列 XML 範例 (不是 SSML) 會包含在自訂語 .xml 匯檔案中。 當您使用此自訂語彙時，「BTW」會讀為「By the way」。「Benigni」會使用提供的 IPA「bɛˈniːnji」來讀出。

<?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>

您無法使用自訂語彙來直接設定片語的發音。 如果您需要為縮略字或簡稱來設定發音，請先提供 alias，然後再將 phoneme 與該 alias 相關聯。 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>

您也可以直接為縮略字或簡稱提供您想要的 alias。 例如：

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

上述自訂語彙 XML 檔案範例使用 IPA 字母，也稱為 IPA 手機集。 IPA 是國際標準，所以建議您使用 IPA。 某些 IPA 字元在以 Unicode 表示時，會有「預組」版本和「分解」版本。 自訂語彙只支援分解版本的 Unicode。

語音服務定義下列地區設定的語音集合：en-US、fr-FR、de-DE、es-ES、ja-JP、zh-CN、zh-HK 和 zh-TW。 如需語音服務語音字母的詳細資訊，請參閱語音服務語音集合。

您可以使用 x-microsoft-sapi 作為具有自訂語彙的 alphabet 屬性所具有的值，如此處所示：

<?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

元素 say-as 會指出元素文字的內容類型，例如數位或日期。 此元素會向語音合成引擎指導文字的發音方式。

say-as下表說明元素屬性的使用方式。

屬性 描述 必要或選用
interpret-as 指出元素文字的內容類型。 如需類型清單，請參閱下表。 必要
format 針對格式可能會不明確的內容類型，為元素的文字另外提供正確格式的資訊。 SSML 會為使用這些屬性的內容類型定義格式。 請參閱下表。 選擇性
detail 指出說話時的詳細程度。 例如，這個屬性可能會要求語音合成引擎念出標點符號。 detail 未定義任何標準值。 選擇性

以下是 interpret-as 和 format 屬性支援的內容類型。 只有當下表中的 format 資料行不是空白時，才要包含 format 屬性。

interpret-as format 解譯
characters, spell-out 文字會念為個別字母 (拼寫)。 語音合成引擎會將：

<say-as interpret-as="characters">test</say-as>

念為「T E S T」。
cardinal, number None 文字會念為基數。 語音合成引擎會將：

There are <say-as interpret-as="cardinal">10</say-as> options

如同「有十個選項」。
ordinal None 文字會念為基數。 語音合成引擎會將：

Select the <say-as interpret-as="ordinal">3rd</say-as> option

念為「Select the third option」。
number_digit None 文字會念為個別數字的序列。 語音合成引擎會將：

<say-as interpret-as="number_digit">123456789</say-as>

念為「1 2 3 4 5 6 7 8 9」。
fraction None 文字會念為分數。 語音合成引擎會將：

<say-as interpret-as="fraction">3/8</say-as> of an inch

念為「three eighths of an inch」。
date dmy、mdy、ymd、ydm、ym、my、md、dm、d、m、y 文字會念為日期。 format 屬性會指定日期的格式 (d = 日、m = 月、y = 年)。 語音合成引擎會將：

Today is <say-as interpret-as="date" format="mdy">10-19-2016</say-as>

念為「Today is October nineteenth two thousand sixteen」。
time hms12、hms24 文字會念為時間。 format 屬性會指定要使用 12 小時制 (hms12) 還是 24 小時制 (hms24) 來指定時間。 請使用冒號來分開代表小時、分鐘和秒數的數字。 以下是幾個有效的時間範例：12:35、1:14:32、08:15、02:50:45。 語音合成引擎會將：

The train departs at <say-as interpret-as="time" format="hms12">4:00am</say-as>

念為「The train departs at four A M」。
duration hms、hm、ms 文字會念為持續時間。 屬性 format 會指定持續時間的格式 (h=小時、m=分鐘 和 s=秒)。 語音合成引擎會將：

<say-as interpret-as="duration">01:18:30</say-as>

念為「一小時十八分鐘又三十秒」。
發音：

<say-as interpret-as="duration" format="ms">01:18</say-as>

念為「一分鐘又十八秒」。
此標籤僅支援英文和西班牙文。
telephone None 文字會念為電話號碼。 語音合成引擎會將：

The number is <say-as interpret-as="telephone">(888) 555-1212</say-as>

念為「My number is area code eight eight eight five five five one two one two」。
currency None 文字會念為貨幣。 語音合成引擎會將：

<say-as interpret-as="currency">99.9 USD</say-as>

如同「99 美元和 90 分」。
address None 文字會念成地址。 語音合成引擎會將：

I'm at <say-as interpret-as="address">150th CT NE, Redmond, WA</say-as>

念為「I'm at 150th Court Northeast Redmond Washington」。
name None 文字會念為人名。 語音合成引擎會將：

<say-as interpret-as="name">ED</say-as>

念為 [æd]。
在中文姓名中，某些字作為姓氏時會有不同的念法。 例如，語音合成引擎在下面範例中念「仇」這個字時，

<say-as interpret-as="name">仇先生</say-as>

會念為 [qiú] 而非 [chóu]。

say-as 範例

先前已描述專案屬性 say-as 的支援值。

語音合成引擎會將下列範例念為：「Your first request was for one room on October nineteenth twenty ten with early arrival at twelve thirty five PM」。

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

sub 元素

sub使用 元素來指出別名屬性的文字值應該讀出，而不是專案的括住文字。 如此一來，SSML 就會同時包含口語和書寫形式。

sub下表說明元素屬性的使用方式。

屬性 描述 必要或選用
alias 應該發音的文字值，而不是元素的封閉式文字。 必要

子範例

先前已描述專案屬性 sub 的支援值。

語音合成引擎會將下列範例說成「萬維網聯盟」。

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

使用 MathML 發音

數學標記語言 (MathML) 是 XML 相容的標記語言，描述數學內容和結構。 語音服務可以使用 MathML 作為輸入文字，在輸出音訊中正確發音數學標記法。

注意

目前 en-US 和 en-AU 地區設定的所有神經語音都支援 MathML 元素 (標籤)。

除了 MathML 3.0 的基礎數學元素之外，MathML 2.0 和 MathML 3.0 規格中的所有元素都受到支援。

記下下列 MathML 元素和屬性：

  • <math xmlns="http://www.w3.org/1998/Math/MathML"> 中的 xmlns 屬性是選擇性的。
  • semantics、 annotation 和 annotation-xml 元素不會輸出語音，因此會被忽略。
  • 如果無法辨識元素，則會忽略它，而且仍然會處理其中子項目。

XML 語法不支援 MathML 實體，因此您必須使用對應的 Unicode 字元 來代表實體，例如，實體 &copy; 應該以其 Unicode 字元 &#x00A9; 來表示，否則會發生錯誤。

MathML 範例

此範例的文字到語音轉換輸出是「a squared plus b squared equals c squared」。

<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>

下一步