SSML-разметка

Теги

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

Поддерживаются следующие теги:

• <speak> — обязательный тег, необходим 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 <emphasis> превышает 150 символов, тег 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> пауза составляет 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 <say-as> превышает 150 символов, тег не применится.

  Тег 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 речь (300%) и замедлить (33%), 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,
        ),
    )