文本转语音：微软语音合成标记语言 (SSML) 文本结构和事件

​ 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: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: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。

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。 可以使用它来添加语音服务以其他方式自动插入的暂停。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： x-weak weak medium（默认值） strong x-strong	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 5000 毫秒。 如果设置的值大于支持的最大值，则服务将使用 5000ms。 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