SSML(Speech Synthesis Markup Language)是一種基於 XML 的標記語言,主要用於控制**語音合成系統(TTS, Text-to-Speech)**如何將文字轉化為人聲。透過 SSML,開發者可以精確調整語音的語氣、語速、停頓、發音以及音量,使其聽起來更接近自然的人聲,而非生硬的機械音。
以下是 SSML 的核心功能與常用標籤:
1. 基本結構
SSML 文件必須以 <speak> 作為根元素,所有內容都包含在其中。
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="zh-TW">
這是一段基本的語音合成文字。
</speak>
2. 常用功能與標籤
停頓與節奏控制
<break>:手動插入停頓。可以使用time(如 500ms, 2s)或strength(如 weak, strong)。範例:
請稍等一下 <break time="1s"/> 我們馬上回來。
語調與速度調整
<prosody>:調整說話的特徵。rate:語速(如 slow, fast, 80%)。pitch:音高(如 low, high, +5st)。volume:音量(如 loud, soft)。範例:
<prosody rate="fast" pitch="+2st">這句話會說得比較快且音調較高。</prosody>
強調特定詞彙
<emphasis>:增加或減少說話的力度(level 可設為 strong, moderate, reduced)。範例:
我 <emphasis level="strong">真的</emphasis> 非常在乎這件事。
發音與解釋
<say-as>:告訴系統如何解讀數字、日期或縮寫。範例:
<say-as interpret-as="date" format="yyyymmdd">20260403</say-as>(系統會讀作「二零二六年四月三日」)。
<phoneme>:提供精確的音標發音(如 IPA),解決多音字或罕見字的發音問題。<sub>:用指定的文字替代發音。範例:
<sub alias="世界衛生組織">WHO</sub>。
3. 為什麼需要使用 SSML?
提升擬真度:純文字合成往往缺乏情感起伏,SSML 能模擬人類說話時的呼吸感與強弱變化。
多國語言與方言:透過
xml:lang標籤,可以在同一個文本中切換不同的語言發音引擎。解決歧義:例如「長」在中文裡有「長度(cháng)」和「長官(zhǎng)」兩種讀音,SSML 可以指定正確發音。
品牌一致性:企業可以透過調整特定的語音屬性(如固定音高或語速),打造專屬的 AI 語音客服形象。
4. 支援平台
目前主流的雲端語音 API 均全面支援 SSML:
Google Cloud Text-to-Speech
Microsoft Azure Speech Service
Amazon Polly
SSML 是讓 AI 語音從「能聽懂」進化到「動聽」的關鍵工具,特別是在電子書朗讀、播報新聞及智慧助理的應用中極為重要。

沒有留言:
張貼留言