SSML-разметка

Теги

SSML-теги используются для тонкой настройки синтеза речи — можно изменить паузы, ударения, выделять акцентные слова и так далее.

<speak>

Обязательный тег, нужен для работы с SSML.

<speak> Пример использования обязательного тега speak </speak>

<break>

Используется, чтобы задать паузу в тексте. Обязательный атрибут тега time — позволяет параметризовать продолжительность паузы, принимает значения в мс и с. Например, time="80ms", time="2s". Максимальное значение — 10 секунд.

<speak>
    Так можно вставить паузу <break time="500ms"/>
    Пауза закончилась
</speak>

<voice>

Используется, чтобы задать спикера и параметры голоса (для выбора стиля прочтения), которым будет озвучиваться текст. Тег имеет обязательный атрибут name со значениями наименования голосов. Актуальный список значений можно получить через метод Список голосов или посмотреть в таблице общедоступных голосов.

<speak>
    <voice name='anna'>
    Этот пример начал озвучиваться одним голосом,
    </voice>
    <voice name='dima'>
    а вот дальше озвучивается уже другим.
    </voice>
</speak>

<emphasis>

Используется для обозначения акцентного слова в вопросительном предложении. Текст, находящийся внутри тега, должен быть короче 150 символов с пробелами. Если ваша фраза внутри тега превышает 150 символов, он не применится.

Имеет обязательный атрибут level, который задает силу акцента на слове. level может принимать следующие значения:

• none — акцент на обернутом тегом слове в вопросе не изменяется;
• moderate — умеренное ударение на слове;
• strong — выраженное смысловое ударение.

<speak>
Вы хотите заказать <emphasis level="moderate">капучино</emphasis>
или <emphasis level="strong">американо</emphasis>?
Вы <emphasis level="strong">хотите</emphasis> что-нибудь заказать?
</speak>

<s> и <p>

Задают предложение и абзац в тексте:

• Для <s> пауза составляет 200 ms.
• Для <p> — 400 ms.

<speak>
<p><s>Это первое предложение первого абзаца.</s> <s>Это второе предложение первого абзаца.</s></p>
<p> Это второй абзац. </p>
</speak>

В примере пауза между первым и вторым предложением первого абзаца составит 200 ms, а между первым и вторым абзацем — 400 ms.

<say-as>

Задает информацию о типе текста внутри тега. Текст, находящийся внутри тега, должен быть короче 150 символов с пробелами. Если ваша фраза внутри тега превышает 150 символов, тег не применится.

Имеет обязательный атрибут interpret-as, который определяет, как произносить текст. interpret-as может принимать значения characters или spell-out — произнесение текста по символам, вне зависимости от того, текст это или число: «1234» можно произнести как «один два три четыре», в то время как без тега это «тысяча двести тридцать четыре».

Также работает и для различных аббревиатур:

<speak>
Я недавно видел <say-as interpret-as="characters">НЛО</say-as>
</speak>

При помощи атрибута можно произнести и более сложные конструкции:

<speak>
Номер договора: <say-as interpret-as="characters">1234/5-6</say-as>
</speak>

<prosody>

Задает скорость произношения и высоту тона голоса. С помощью тега можно:

• Изменить скорость произношения — при помощи атрибута rate:

  <speak>
  Ускорить произношение можно следующим образом: <prosody rate ="150%">увеличение скорости произношения при автоматизации обслуживания клиентов может повысить эффективность обзвона, т.к. сэкономит время клиента</prosody>
  </speak>

• Изменить тональность голоса — при помощи атрибута pitch:

  <speak>
  Меняя тональность, <prosody pitch ="80%">мы можем получить более глубокий голос</prosody>
  </speak>

Оба атрибута можно изменять единовременно внутри одного тега, а также сочетать с другими тегами:

<speak>
<prosody rate="140%" pitch="110%">Работает на всех голосах, в сочетании с <break time="5ms"/> паузами и другими тегами.</prosody>
</speak>

Максимально можно втрое ускорить (300%) и замедлить (33%) речь, сделать голос втрое выше (300%) и ниже (33%).

Расстановка ударений

Для управления ударениями достаточно добавить 0 после ударной гласной: «соро0ка» и «сорока0». Разметка ударений работает как в сочетании с SSML-тегами, так и в тексте без SSML.

def build_request():
    return tts_pb2.SynthesizeSpeechRequest(
        input=tts_pb2.SynthesisInput(
            ssml="""
                <speak> Разметка ударений работает и в SSML:  жа0ркое, жарко0е.</speak>
            """
        ),
        audio_config=tts_pb2.AudioConfig(
            audio_encoding=tts_pb2.LINEAR16,
            sample_rate_hertz=sample_rate,
        ),
    )