Speech Synthesis Markup Language (SSML)

Puoi inviare Speech Synthesis Markup Language (SSML) nella tua richiesta di conversione di Text-to-Speech per consentire una maggiore personalizzazione della risposta audio fornendo dettagli sulle pause e sulla formattazione audio per acronimo, date, orari, abbreviazioni o testo da censurare. Per ulteriori informazioni ed esempi di codice, consulta il tutorial su Text-to-Speech in linguaggio XML per i moduli di streaming.

Di seguito è riportato un esempio di markup SSML e la sintesi Text-to-Speech esamina il testo:

<speak>
  Here are <say-as interpret-as="characters">SSML</say-as> samples.
  I can pause <break time="3s"/>.
  I can play a sound
  <audio src="https://www.example.com/MY_MP3_FILE.mp3">didn't get your MP3 audio file</audio>.
  I can speak in cardinals. Your number is <say-as interpret-as="cardinal">10</say-as>.
  Or I can speak in ordinals. You are <say-as interpret-as="ordinal">10</say-as> in line.
  Or I can even speak in digits. The digits for ten are <say-as interpret-as="characters">10</say-as>.
  I can also substitute phrases, like the <sub alias="World Wide Web Consortium">W3C</sub>.
  Finally, I can speak a paragraph with two sentences.
  <p><s>This is sentence one.</s><s>This is sentence two.</s></p>
</speak>

Ecco il testo sintetizzato per il documento SSML di esempio:

Here are S S M L samples. I can pause [3 second pause]. I can play a sound [audio file plays].
I can speak in cardinals. Your number is ten.
Or I can speak in ordinals. You are tenth in line.
Or I can even speak in digits. The digits for ten are one oh.
I can also substitute phrases, like the World Wide Web Consortium.
Finally, I can speak a paragraph with two sentences. This is sentence one. This is sentence two.

Text-to-Speech supporta un sottoinsieme dei tag SSML disponibili, descritti in questo argomento.

Per ulteriori informazioni su come creare dati audio da input SSML con Text-to-Speech, consulta Creare file audio vocali.

Suggerimenti per l'utilizzo di SSML

A seconda dell'implementazione, potresti dover eseguire la fuga di virgolette o virgolette nel payload SSML inviato a Text-to-Speech. Il seguente esempio mostra come formattare l'input SSML incluso in un oggetto JSON.

"{
    'input':{
     'ssml':'<speak>The <say-as interpret-as=\"characters\">SSML</say-as>
          standard <break time=\"1s\"/>is defined by the
          <sub alias=\"World Wide Web Consortium\">W3C</sub>.</speak>'
    },
    'voice':{
      'languageCode':'en-us',
      'name':'en-US-Standard-B',
      'ssmlGender':'MALE'
    },
    'audioConfig':{
      'audioEncoding':'MP3'
    }
  }"

Caratteri riservati

Evita di utilizzare caratteri riservati SSML nel testo da convertire in audio. Quando devi utilizzare un carattere riservato SSML, impedisci che il carattere venga letto come codice utilizzando il relativo codice di escape. La tabella seguente mostra i caratteri SSML riservati e i relativi codici di escape associati.

Basato su caratteri Codice di escape
" &quot;
& &amp;
". &apos;
< &lt;
> &gt;

Seleziona una voce

Puoi impostare la voce nell'oggetto VoiceSelectionParams. Consulta il tutorial su SSML per la sintesi vocale per visualizzare un esempio di codice che mostra l'utilizzo dell'oggetto VoiceSelectionParams.

Puoi utilizzare il tag <voice> per leggere i contenuti SSML in più voci, ma devi impostare il nome VoiceSelectionParams su una voce compatibile:

Tipo di voce richiesto Tipo di voce supportato nel tag <voice>
Neural2 Studio Wavenet Notizie Standard
Neural2
Studio
Wavenet
Standard
Notizie

Supporto degli elementi SSML

Le sezioni seguenti descrivono gli elementi e le opzioni SSML che possono essere utilizzati nelle azioni.

<speak>

L'elemento principale della risposta SSML.

Per scoprire di più sull'elemento speak, consulta la specifica W3.

Esempio

<speak>
  my SSML content
</speak>

<break>

Un elemento vuoto che controlla le interruzioni o altri confini prosodici tra le parole. L'utilizzo di <break> tra qualsiasi coppia di token è facoltativo. Se questo elemento non è presente tra le parole, l'interruzione viene determinata automaticamente in base al contesto linguistico.

Per scoprire di più sull'elemento break, consulta la specifica W3.

Attributi

Attributo Descrizione
time

Imposta la durata dell'interruzione in secondi o millisecondi (ad es. "3s" o "250ms").

strength

Imposta l'intensità dell'interruzione prosodica dell'output in termini relativi. I valori validi sono: "x-weak", "weak", "medium", "strong" ed "x-strong". Il valore "none" indica che non deve essere generato alcun confine di interruzione prosodica, il che può essere utilizzato per evitare un'interruzione prosodica che altrimenti il processore produrrebbe. Gli altri valori indicano l'intensità della interruzione tra i token in modo monotonicamente non decrescente (in aumento concettuale). I confini più forti sono in genere accompagnati da pause.

Esempio

L'esempio seguente mostra come utilizzare l'elemento <break> per mettere in pausa tra un passaggio e l'altro:

<speak>
  Step 1, take a deep breath. <break time="200ms"/>
  Step 2, exhale.
  Step 3, take a deep breath again. <break strength="weak"/>
  Step 4, exhale.
</speak>

<say‑as>

Questo elemento consente di indicare informazioni sul tipo di costrutto di testo contenuto al suo interno. Inoltre, consente di specificare il livello di dettaglio per il rendering del testo contenuto.

L'elemento <say‑as> ha l'attributo obbligatorio interpret-as, che determina la modalità di pronuncia del valore. Gli attributi facoltativi format e detail possono essere utilizzati a seconda del valore specifico di interpret-as.

Esempi

L'attributo interpret-as supporta i seguenti valori:

  • currency

    L'esempio seguente viene pronunciato come "quarantadue dollari e un centesimo". Se l'attributo language viene omesso, viene utilizzata la lingua corrente.

    <speak>
      <say-as interpret-as='currency' language='en-US'>$42.01</say-as>
    </speak>
        
  • telephone

    Consulta la descrizione di interpret-as='telephone' nella nota del gruppo di lavoro W3C SSML 1.0 sui valori degli attributi say-as.

    L'esempio seguente viene pronunciato come "uno otto zero zero due zero due uno due uno due". Se l'attributo "google:style" viene omesso, viene pronunciata la lettera O per zero.

    L'attributo "google:style='zero-as-zero'" attualmente funziona solo nelle impostazioni internazionali EN.

          <speak>
            <say-as interpret-as='telephone' google:style='zero-as-zero'>1800-202-1212</say-as>
          </speak>
        
  • verbatim o spell-out

    L'esempio seguente è scritto lettera per lettera:

    <speak>
      <say-as interpret-as="verbatim">abcdefg</say-as>
    </speak>
        
  • date

    L'attributo format è una sequenza di codici di caratteri del campo della data. I codici carattere dei campi supportati in format sono {y, m, d} rispettivamente per anno, mese e giorno (del mese). Se il codice campo viene visualizzato una volta per anno, mese o giorno, il numero di cifre previsto è rispettivamente 4, 2 e 2. Se il codice del campo viene ripetuto, il numero di cifre previsto è il numero di volte in cui il codice viene ripetuto. I campi nel testo della data possono essere separati da punteggiatura e/o spazi.

    L'attributo detail controlla la forma parlata della data. Per detail='1' sono obbligatori solo i campi giorno e uno dei campi mese o anno, anche se è possibile specificare entrambi. Questo è il valore predefinito quando non vengono specificati tutti e tre i campi. La forma parlata è "Il giorno {ordinal day} del mese {month}, {year}".

    Il seguente esempio viene pronunciato come "Il decimo di settembre, mille novecento sessanta":

    <speak>
      <say-as interpret-as="date" format="yyyymmdd" detail="1">
        1960-09-10
      </say-as>
    </speak>
        

    Il seguente esempio viene pronunciato come "Il decimo di settembre":

    <speak>
      <say-as interpret-as="date" format="dm">10-9</say-as>
    </speak>
        

    Per detail='2', i campi giorno, mese e anno sono obbligatori e questo è il valore predefinito quando vengono forniti tutti e tre i campi. La forma parlata è "{month} {ordinal day}, {year}".

    Il seguente esempio viene pronunciato come "Dieci settembre mille novecento sessanta":

    <speak>
      <say-as interpret-as="date" format="dmy" detail="2">
        10-9-1960
      </say-as>
    </speak>
        
  • characters

    Il seguente esempio viene pronunciato come "C A N":

    <speak>
      <say-as interpret-as="characters">can</say-as>
    </speak>
        
  • cardinal

    L'esempio seguente viene pronunciato come "Twelve thousand three hundred forty five" (per l'inglese americano) o "Twelve thousand three hundred and forty five" (per l'inglese britannico):

    <speak>
      <say-as interpret-as="cardinal">12345</say-as>
    </speak>
        
  • ordinal

    Il seguente esempio viene pronunciato come "Primo":

    <speak>
      <say-as interpret-as="ordinal">1</say-as>
    </speak>
        
  • fraction

    Il seguente esempio viene pronunciato come "cinque e mezzo":

    <speak>
      <say-as interpret-as="fraction">5+1/2</say-as>
    </speak>
        
  • expletive o bleep

    L'esempio seguente viene visualizzato come un beep, come se fosse stato censurato:

    <speak>
      <say-as interpret-as="expletive">censor this</say-as>
    </speak>
        
  • unit

    Converte le unità al singolare o al plurale a seconda del numero. Il seguente esempio viene pronunciato come "10 piedi":

    <speak>
      <say-as interpret-as="unit">10 foot</say-as>
    </speak>
        
  • time

    L'esempio seguente viene pronunciato come "Le due e mezza di sera":

    <speak>
      <say-as interpret-as="time" format="hms12">2:30pm</say-as>
    </speak>
        

    L'attributo format è una sequenza di codici di caratteri del campo della data e dell'ora. I codici di caratteri dei campi supportati in format sono {h,m, s, Z, 12, 24} rispettivamente per ora, minuto (dell'ora), secondo (del minuto), fuso orario, ora in formato 12 ore e ora in formato 24 ore. Se il codice del campo viene visualizzato una volta per ora, minuto o secondo, il numero di cifre previsto è rispettivamente 1, 2 e 2. Se il codice del campo viene ripetuto, il numero di cifre previsto è il numero di volte in cui il codice viene ripetuto. I campi nel testo dell'ora possono essere separati da punteggiatura e/o spazi. Se l'ora, il minuto o il secondo non sono specificati nel formato o non sono presenti cifre corrispondenti, il campo viene considerato come un valore pari a zero. Il valore predefinito di format è "hms12".

    L'attributo detail controlla se la forma parlata dell'ora è in formato 12 ore o 24 ore. La forma parlata è in formato 24 ore se detail='1' o detail è omesso e il formato dell'ora è 24 ore. La forma parlata è in formato 12 ore se detail='2' o detail è omesso e il formato dell'ora è 12 ore.

Per scoprire di più sull'elemento say-as, consulta la specifica W3.

<audio>

Supporta l'inserimento di file audio registrati e di altri formati audio in combinazione con l'output vocale sintetizzato.

Attributi

Attributo Obbligatorio Predefinito Valori
src n/a Un URI che rimanda alla sorgente multimediale audio. Il protocollo supportato è https.
clipBegin no 0 Un TimeDesignation, ovvero l'offset dall'inizio della sorgente audio da cui iniziare la riproduzione. Se questo valore è maggiore o uguale alla durata effettiva dell'origine audio, non viene inserito alcun audio.
clipEnd no infinito Un TimeDesignation che indica l'offset dall'inizio alla fine della riproduzione della sorgente audio. Se la durata effettiva dell'origine audio è inferiore a questo valore, la riproduzione termina in quel momento. Se clipBegin è maggiore o uguale a clipEnd, non viene inserito alcun audio.
speed no 100% Il rapporto tra la frequenza di riproduzione in uscita e la frequenza di inserimento normale, espresso in percentuale. Il formato è un numero reale positivo seguito da %. L'intervallo attualmente supportato è [50% (lento - metà velocità), 200% (veloce - doppia velocità)]. I valori al di fuori di questo intervallo possono (o meno) essere regolati in modo da rientrarvi.
repeatCount no 1 o 10 se è impostato repeatDur Un Numero reale che specifica quante volte inserire l'audio (dopo l'eventuale clipping tramite clipBegin e/o clipEnd). Le ripetizioni frazionate non sono supportate, pertanto il valore verrà arrotondato all'intero più vicino. Zero non è un valore valido e viene quindi considerato non specificato e in questo caso ha il valore predefinito.
repeatDur no infinito Un TimeDesignation che rappresenta un limite alla durata dell'audio inserito dopo l'elaborazione dell'origine per gli attributi clipBegin, clipEnd, repeatCount e speed (anziché la normale durata di riproduzione). Se la durata dell'audio elaborato è inferiore a questo valore, la riproduzione termina in quel momento.
soundLevel no +0dB Regola il livello di volume dell'audio di soundLeveldecibeli. L'intervallo massimo è +/-40 dB, ma l'intervallo effettivo potrebbe essere inferiore e la qualità in uscita potrebbe non produrre buoni risultati nell'intero intervallo.

Di seguito sono riportate le impostazioni attualmente supportate per l'audio:

  • Formato: MP3 (MPEG v2)
    • 24.000 campioni al secondo
    • 24K ~ 96K bit al secondo, velocità fissa
  • Formato: Opus in Ogg
    • 24.000 campioni al secondo (banda super larga)
    • 24K - 96K bit al secondo, velocità fissa
  • Formato (non più supportato): WAV (RIFF)
    • PCM a 16 bit con segno, little endian
    • 24.000 campioni al secondo
  • Per tutti i formati:
    • È preferibile un canale singolo, ma è accettabile anche l'audio stereo.
    • Durata massima di 240 secondi. Se vuoi riprodurre audio di durata maggiore, ti consigliamo di implementare una risposta multimediale.
    • Dimensione massima del file: 5 MB.
    • L'URL di origine deve utilizzare il protocollo HTTPS.
    • Il nostro UserAgent durante il recupero dell'audio è "Google-Speech-Actions".

I contenuti dell'elemento <audio> sono facoltativi e vengono utilizzati se il file audio non può essere riprodotto o se il dispositivo di uscita non supporta l'audio. I contenuti possono includere un elemento <desc>, nel qual caso i contenuti di testo dell'elemento vengono utilizzati per la visualizzazione. Per ulteriori informazioni, consulta la sezione Audio registrato nel Elenco di controllo delle risposte.

L'URL src deve essere anche un URL https (Google Cloud Storage può ospitare i file audio su un URL https).

Per scoprire di più sulle risposte multimediali, consulta la sezione Risposta multimediale nella guida Risposte.

Per scoprire di più sull'elemento audio, consulta la specifica W3.

Esempio

<speak>
  <audio src="cat_purr_close.ogg">
    <desc>a cat purring</desc>
    PURR (sound didn't load)
  </audio>
</speak>

<p>,<s>

Elementi di frasi e paragrafi.

Per scoprire di più sugli elementi p e s, consulta la specifica W3.

Esempio

<p><s>This is sentence one.</s><s>This is sentence two.</s></p>

Best practice

  • Utilizza i tag <s>…</s> per inserire un a capo in frasi complete, in particolare se contengono elementi SSML che modificano la prosodia (ovvero <audio>, <break>, <emphasis>, <par>, <prosody>, <say-as>, <seq> e <sub>).
  • Se una pausa nel parlato deve essere sufficientemente lunga da essere percepita, utilizza i tag <s>…</s> e inserisci la pausa tra le frasi.

<sub>

Indica che il testo nel valore dell'attributo alias sostituisce il testo contenuto per la pronuncia.

Puoi anche utilizzare l'elemento sub per fornire una pronuncia semplificata di una parola difficile da leggere. L'ultimo esempio riportato di seguito mostra questo caso d'uso in giapponese.

Per scoprire di più sull'elemento sub, consulta la specifica W3.

Esempi

<sub alias="World Wide Web Consortium">W3C</sub>
<sub alias="にっぽんばし">日本橋</sub>

<mark>

Un elemento vuoto che inserisce un indicatore nella sequenza di testo o tag. Può essere utilizzato per fare riferimento a una posizione specifica nella sequenza o per inserire un indicatore in uno stream di output per la notifica asincrona.

Per scoprire di più sull'elemento mark, consulta la specifica W3.

Esempio

<speak>
Go from <mark name="here"/> here, to <mark name="there"/> there!
</speak>

<prosody>

Utilizzato per personalizzare la tonalità, la velocità di lettura e il volume del testo contenuto nell'elemento. Attualmente sono supportati gli attributi rate, pitch e volume.

Gli attributi rate e volume possono essere impostati in base alle specifiche W3. Esistono tre opzioni per impostare il valore dell'attributo pitch:

Attributo Descrizione
name

L'ID stringa per ogni marca.

Opzione Descrizione
Relativo Specifica un valore relativo (ad es. "basso", "medio", "alto" e così via), dove "medio" è l'intonazione predefinita.
Semitoni Aumenta o diminuisci l'intonazione di "N" semitoni utilizzando rispettivamente "+Nst" o "-Nst". Tieni presente che "+/-" e "st" sono obbligatori.
Percentuale Aumenta o diminuisci l'intonazione di "N" percento utilizzando rispettivamente "+N%" o "-N%". Tieni presente che "%" è obbligatorio, ma "+/-" è facoltativo.

Per scoprire di più sull'elemento prosody, consulta la specifica W3.

Esempio

L'esempio seguente utilizza l'elemento <prosody> per parlare lentamente a 2 semitoni più in basso del normale:

<prosody rate="slow" pitch="-2st">Can you hear me now?</prosody>

<emphasis>

Utilizzato per aggiungere o rimuovere l'enfasi dal testo contenuto dall'elemento. L'elemento <emphasis> modifica la voce in modo simile a <prosody>, ma senza la necessità di impostare i singoli attributi vocali.

Questo elemento supporta un attributo facoltativo "livello" con i seguenti valori validi:

  • strong
  • moderate
  • none
  • reduced

Per scoprire di più sull'elemento emphasis, consulta la specifica W3.

Esempio

L'esempio seguente utilizza l'elemento <emphasis> per fare un annuncio:

<emphasis level="moderate">This is an important announcement</emphasis>

<par>

Un contenitore multimediale parallelo che ti consente di riprodurre più elementi multimediali contemporaneamente. Gli unici contenuti consentiti sono un insieme di uno o più elementi <par>, <seq> e <media>. L'ordine degli elementi <media> non è significativo.

A meno che un elemento secondario non specifichi un'ora di inizio diversa, l'ora di inizio implicita dell'elemento corrisponde a quella del contenitore <par>. Se per un elemento secondario è impostato un valore di offset per l'attributo begin o end, l'offset dell'elemento sarà relativo all'ora di inizio del contenitore <par>. Per l'elemento principale <par>, l'attributo begin viene ignorato e l'ora di inizio corrisponde al momento in cui il processo di sintesi vocale SSML inizia a generare l'output per l'elemento principale <par> (ovvero l'ora "zero" effettiva).

Esempio

<speak>
  <par>
    <media xml:id="question" begin="0.5s">
      <speak>Who invented the Internet?</speak>
    </media>
    <media xml:id="answer" begin="question.end+2.0s">
      <speak>The Internet was invented by cats.</speak>
    </media>
    <media begin="answer.end-0.2s" soundLevel="-6dB">
      <audio
        src="https://actions.google.com/.../cartoon_boing.ogg"/>
    </media>
    <media repeatCount="3" soundLevel="+2.28dB"
      fadeInDur="2s" fadeOutDur="0.2s">
      <audio
        src="https://actions.google.com/.../cat_purr_close.ogg"/>
    </media>
  </par>
</speak>

<seq>

Un contenitore multimediale sequenziale che ti consente di riprodurre gli elementi multimediali uno dopo l'altro. Gli unici contenuti consentiti sono un insieme di uno o più elementi <seq>, <par> e <media>. L'ordine degli elementi multimediali è l'ordine in cui vengono visualizzati.

Gli attributi begin e end degli elementi secondari possono essere impostati su valori di offset (vedi Specifiche relative al tempo di seguito). I valori di offset di questi elementi secondari saranno relativi alla fine dell'elemento precedente nella sequenza o, nel caso del primo elemento della sequenza, all'inizio del relativo contenitore <seq>.

Esempio

<speak>
  <seq>
    <media begin="0.5s">
      <speak>Who invented the Internet?</speak>
    </media>
    <media begin="2.0s">
      <speak>The Internet was invented by cats.</speak>
    </media>
    <media soundLevel="-6dB">
      <audio
        src="https://actions.google.com/.../cartoon_boing.ogg"/>
    </media>
    <media repeatCount="3" soundLevel="+2.28dB"
      fadeInDur="2s" fadeOutDur="0.2s">
      <audio
        src="https://actions.google.com/.../cat_purr_close.ogg"/>
    </media>
  </seq>
</speak>

<media>

Rappresenta un livello multimediale all'interno di un elemento <par> o <seq>. I contenuti consentiti di un elemento <media> sono un elemento <speak> o <audio> SSML. La tabella seguente descrive gli attributi validi per un elemento <media>.

Attributi

Attributo Obbligatorio Predefinito Valori
xml:id no nessun valore Un identificatore XML univoco per questo elemento. Le entità codificate non sono supportate. I valori degli identificatori consentiti corrispondono all'espressione regolare "([-_#]|\p{L}|\p{D})+". Per ulteriori informazioni, consulta XML-ID.
begin no 0 L'ora di inizio di questo contenitore multimediale. Ignorato se si tratta dell'elemento contenitore multimediale principale (viene trattato come il valore predefinito "0"). Per i valori di stringa validi, consulta la sezione Specifiche relative all'ora di seguito.
end no nessun valore Una specifica per l'ora di fine di questo contenitore multimediale. Per i valori di stringa validi, consulta la sezione Specifiche relative all'ora di seguito.
repeatCount no 1 Un Numero reale che specifica quante volte inserire i contenuti multimediali. Le ripetizioni frazionate non sono supportate, pertanto il valore verrà arrotondato al numero intero più vicino. Zero non è un valore valido e viene quindi considerato non specificato e in questo caso ha il valore predefinito.
repeatDur no nessun valore Un TimeDesignation che rappresenta un limite alla durata dei contenuti multimediali inseriti. Se la durata dei contenuti multimediali è inferiore a questo valore, la riproduzione termina in quel momento.
soundLevel no +0dB Regola il livello di volume dell'audio di soundLevel decibel. L'intervallo massimo è +/-40 dB, ma l'intervallo effettivo potrebbe essere inferiore e la qualità in uscita potrebbe non produrre buoni risultati nell'intero intervallo.
fadeInDur no 0 s Un TimeDesignation durante il quale i contenuti multimediali verranno attenuati dal silenzio al valore soundLevel specificato facoltativamente. Se la durata dei contenuti multimediali è inferiore a questo valore, l'effetto fade in si interrompe alla fine della riproduzione e il livello audio non raggiunge quello specificato.
fadeOutDur no 0 s Un TimeDesignation durante il quale i contenuti multimediali verranno attenuati dall'ora soundLevel specificata facoltativamente fino a quando non saranno silenziosi. Se la durata dei contenuti multimediali è inferiore a questo valore, il livello audio viene impostato su un valore inferiore per garantire il silenzio alla fine della riproduzione.

Specifica dell'ora

Una specifica di tempo, utilizzata per il valore degli attributi "begin" ed "end" degli elementi <media> e dei contenitori multimediali (elementi <par> e <seq>), è un valore di offset (ad es. +2.5s) o un valore syncbase (ad es. foo_id.end-250ms).

  • Valore di offset: il valore di offset del tempo è un valore Timecount SMIL che consente valori corrispondenti all'espressione regolare: "\s\*(+|-)?\s\*(\d+)(\.\d+)?(h|min|s|ms)?\s\*"

    La stringa della prima cifra è la parte intera del numero decimale e la stringa della seconda cifra è la parte frazionaria decimale. Il segno predefinito ("(+|-)?") è "+". I valori delle unità corrispondono rispettivamente a ore, minuti, secondi e millisecondi. Il valore predefinito per le unità è "s" (secondi).

  • Valore syncbase: un valore syncbase è un valore syncbase SMIL che consente valori corrispondenti all'espressione regolare: "([-_#]|\p{L}|\p{D})+\.(begin|end)\s\*(+|-)\s\*(\d+)(\.\d+)?(h|min|s|ms)?\s\*"

    Le cifre e le unità vengono interpretate nello stesso modo di un valore di offset.

<phoneme>

Puoi utilizzare il tag <phoneme> per produrre pronunce personalizzate delle parole in linea. La funzionalità Text-to-Speech accetta gli alfabeti fonetici IPA e X-SAMPA. Per un elenco delle lingue e dei fonemi supportati, consulta la pagina dei fonemi.

Ogni applicazione del tag <phoneme> indica la pronuncia di una singola parola:

  <phoneme alphabet="ipa" ph="ˌmænɪˈtoʊbə">manitoba</phoneme>
  <phoneme alphabet="x-sampa" ph='m@"hA:g@%ni:'>mahogany</phoneme>

Indicatori di stress

In una trascrizione è possibile inserire fino a tre livelli di accento:

  1. Accento principale: indicato con /ˈ/ in IPA e /"/ in X-SAMPA.
  2. Accento secondario: indicato con /ˌ/ in IPA e /%/ in X-SAMPA.
  3. Senza accento: non indicato con un simbolo (in nessuna notazione).

Alcune lingue potrebbero avere meno di tre livelli o non indicare affatto l'accento. Consulta la pagina dei fonemi per vedere i livelli di accento disponibili per la tua lingua. Gli indicatori di accento vengono posizionati all'inizio di ogni sillaba accentata. Ad esempio, in inglese americano:

Parola di esempio IPA X-SAMPA
acqua ˈwɑːtɚ "wA:t@`
sott'acqua ˌʌndɚˈwɑːtɚ %Vnd@"wA:t@

Trascrizioni generiche e specifiche

Come regola generale, mantieni le trascrizioni più ampie e di natura fonetica. Ad esempio, in inglese americano, trascrivi la /t/ intervocalica (invece di usare un tap):

Parola di esempio IPA X-SAMPA
burro ˈbʌtɚ anziché ˈbʌɾɚ "bVt@` anziché "bV4@`

In alcuni casi, l'utilizzo della rappresentazione fonetica rende i risultati della sintesi vocale non naturali (ad esempio, se la sequenza di fonemi è anatomicamente difficile da pronunciare).

Un esempio è l'assimilazione della sonorizzazione per /s/ in inglese. In questo caso, l'assimilazione deve essere riportata nella trascrizione:

Parola di esempio IPA X-SAMPA
gatti ˈkæts "k{ts
cani ˈdɑːgz anziché ˈdɑːgs "dA:gz anziché "dA:gs

Riduzione

Ogni sillaba deve contenere una (e una sola) vocale. Ciò significa che devi evitare le consonanti sillabiche e trascriverle con una vocale ridotta. Ad esempio:

Parola di esempio IPA X-SAMPA
gattino ˈkɪtən anziché ˈkɪtn "kIt@n anziché "kitn
bollitore ˈkɛtəl anziché ˈkɛtl "kEt@l anziché "kEtl

Sillabazione

Se vuoi, puoi specificare i confini delle sillabe utilizzando /./. Ogni sillaba deve contenere una (e una sola) vocale. Ad esempio:

Parola di esempio IPA X-SAMPA
leggibilità ˌɹiː.də.ˈbɪ.lə.tiː %r\i:.d@."bI.l@.ti:

Dizionario di pronuncia personalizzato

In alternativa alla fornitura di pronunce in linea con il tag phoneme, fornisci un dizionario di pronunce personalizzate nell'RPC di sintesi vocale. Quando il dizionario di pronuncia personalizzato è presente nella richiesta, il testo inserito viene trasformato automaticamente con il tag SSML phoneme.

Ad esempio, la seguente richiesta con input di testo e pronuncia personalizzata verrà trasformata ed equivalerà al codice SSML riportato di seguito.

Input originale:

input: {
  text: 'Hello world! It is indeed a beautiful world!',
  custom_pronunciations: {
    pronunciations: {
      phrase: 'world'
      phonetic_encoding: PHONETIC_ENCODING_IPA
      pronunciation: 'wɜːld'
    }
  }
}

Input trasformato:

input: {
  ssml: '<speak>Hello <phoneme alphabet="ipa" ph="wɜːld">world</phoneme>! It is indeed a beautiful <phoneme alphabet="ipa" ph="wɜːld">world</phoneme>!</speak>'
}

Durata

Text-to-Speech supporta <say-as interpret-as="duration"> per leggere correttamente le durate. Ad esempio, il seguente esempio verrà verbalizzato come "cinque ore e trenta minuti":

<say-as interpret-as="duration" format="h:m">5:30</say-as>

La stringa di formato supporta i seguenti valori:

Abbreviazione Valore
h ore
m minuti
s secondi
ms millisecondi

<voice>

Il tag <voice> ti consente di utilizzare più di una voce in una singola richiesta SSML. Nell'esempio seguente, la voce predefinita è una voce maschile in inglese. Tutte le parole verranno sintetizzate in questa voce, ad eccezione di "qu'est-ce qui t'amène ici", che verrà verbalizzata in francese utilizzando una voce femminile anziché la lingua e il genere predefiniti (inglese e maschile).

<speak>And then she asked, <voice language="fr-FR" gender="female">qu'est-ce qui
t'amène ici</voice><break time="250ms"/> in her sweet and gentle voice.</speak>

In alternativa, puoi utilizzare un tag <voice> per specificare una singola voce (il nome della voce nella pagina delle voci supportate) anziché language e/o gender:

<speak>The dog is friendly<voice name="fr-CA-Wavenet-B">mais la chat est
mignon</voice><break time="250ms"/> said a pet shop
owner</speak>

Quando utilizzi il tag <voice>, la funzionalità Text-to-Speech si aspetta di ricevere un name (il nome della voce che vuoi utilizzare) o una combinazione dei seguenti attributi. Tutti e tre gli attributi sono facoltativi, ma devi fornire almeno uno se non fornisci un name.

  • gender: uno dei valori "male", "female" o "neutral".
  • variant: utilizzato come criterio di spareggio nei casi in cui sono disponibili più voci da utilizzare in base alla configurazione.
  • language: la lingua che preferisci. In un determinato tag <voice> è possibile specificare una sola lingua. Specifica la lingua in formato BCP-47. Puoi trovare il codice BCP-47 per la tua lingua nella colonna codice lingua della pagina Voci e lingue supportate.

Puoi anche controllare la priorità relativa di ciascuno degli attributi gender, variant e language utilizzando due tag aggiuntivi: required e ordering.

  • required: se un attributo è designato come required e non è configurato correttamente, la richiesta non andrà a buon fine.
  • ordering: tutti gli attributi elencati dopo un tag ordering sono considerati preferiti anziché obbligatori. L'API Text-to-Speech prende in considerazione gli attributi preferiti secondo il criterio del "best effort" nell'ordine in cui sono elencati dopo il tag ordering. Se gli attributi preferiti sono configurati scorrettamente, Text-to-Speech potrebbe comunque restituire una voce valida, ma la configurazione errata verrà ignorata.

Esempi di configurazioni che utilizzano i tag required e ordering:

<speak>And there it was <voice language="en-GB" gender="male" required="gender"
ordering="gender language">a flying bird </voice>roaring in the skies for the
first time.</speak>
<speak>Today is supposed to be <voice language="en-GB" gender="female"
ordering="language gender">Sunday Funday.</voice></speak>

<lang>

Puoi utilizzare <lang> per includere testo in più lingue all'interno della stessa richiesta SSML. Tutte le lingue verranno sintetizzate con la stessa voce, a meno che tu non utilizzi il <voice> tag per cambiare esplicitamente la voce. La stringa xml:lang deve contenere la lingua di destinazione in formato BCP-47 (questo valore è indicato come "codice lingua" nella tabella delle voci supportate). Nel seguente esempio, "chat" verrà verbalizzato in francese anziché nella lingua predefinita (inglese):

<speak>The french word for cat is <lang xml:lang="fr-FR">chat</lang></speak>

Text-to-Speech supporta il tag <lang> secondo il criterio del "best effort". Non tutte le combinazioni di lingue producono gli stessi risultati in termini di qualità se specificate nella stessa richiesta di linguaggio XML. In alcuni casi, una combinazione di lingue potrebbe produrre un effetto rilevabile, ma sottile o percepito come negativo. Problemi noti:

  • Il giapponese con caratteri kanji non è supportato dal tag <lang>. L'input viene trascritto e letto come caratteri cinesi.
  • Le lingue semitiche come arabo, ebraico e persiano non sono supportate dal tag <lang> e non produrranno alcun suono. Se vuoi utilizzare una di queste lingue, ti consigliamo di utilizzare il tag <voice> per passare a una voce che parli la lingua che preferisci (se disponibile).

Punti in tempo SSML

L'API Text-to-Speech supporta l'utilizzo di punti in tempo nei dati audio creati. Un punto in tempo è un timestamp (in secondi, misurato dall'inizio dell'audio generato) che corrisponde a un punto designato nello script. Puoi impostare un punto temporale nello script utilizzando il tag <mark>. Quando l'audio viene generato, l'API restituisce l'offset temporale tra l'inizio dell'audio e il punto temporale.

Per impostare un punto in tempo sono necessari due passaggi:

  1. Aggiungi un tag SSML <mark> al punto dello script per il quale vuoi un timestamp.
  2. Imposta TimepointType su SSML_MARK. Se questo campo non è impostato, i timestamp non vengono restituiti per impostazione predefinita.

L'esempio seguente restituisce due istanti di tempo:

  • timepoint_1: indica il momento (in secondi) in cui la parola "Segna" viene visualizzata nell'audio generato.
  • timepoint_2: indica il momento (in secondi) in cui la parola "vedi" viene visualizzata nell'audio generato.
<speak>Hello <mark name="timepoint_1"/> Mark. Good to <mark
name="timepoint_2"/> see you.</speak>

Stili

Le seguenti voci possono parlare in più stili:

  1. en-US-Neural2-F
  2. en-US-Neural2-J

Utilizza il tag <google:style> per controllare lo stile da utilizzare. Utilizza il tag solo intorno a frasi complete.

Esempio:

<speak><google:style name="lively">Hello I'm so happy today!</google:style></speak>

Il campo name supporta i seguenti valori:

  1. apologetic
  2. calm
  3. empathetic
  4. firm
  5. lively