Speech Synthesis Markup Language (SSML)

Puoi inviare Speech Synthesis Markup Language (SSML) nella tua richiesta di sintesi vocale 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 contenuti multimediali (SSML).

Nota: i caratteri SSML vengono conteggiati ai fini del rispetto dei limiti di caratteri. Consulta le delle quote e limiti per saperne di più.

Di seguito è riportato un esempio di markup SSML e la sintesi vocale 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.

Nota: puoi fare pratica con i tag SSML usando la demo del prodotto Text-to-Speech nella pagina Panoramica del prodotto. Fai clic sul link ssml nell'angolo in basso a destra della casella di testo della demo "Converti il testo in voce ora" per visualizzare l'input in formato ssml.

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 nel payload SSML inviato a Text-to-Speech. L'esempio seguente mostra come formato di input SSML incluso all'interno di 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 di riserva SSML nel testo da convertire e trasformarlo 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
"	"
&	&
".	'
<	&lt;
>	&gt;

Seleziona una voce

Puoi impostare la voce nell'oggetto VoiceSelectionParams. Guarda il tutorial sull'SSML di Text-to-Speech per vedere un esempio di codice dimostrazione dell'utilizzo dell'oggetto VoiceSelectionParams.

Puoi utilizzare il tag <voice> per leggere il codice SSML con più voci, 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 seguenti sezioni descrivono gli elementi e le opzioni SSML che possono essere utilizzati nelle azioni.

Tieni presente che non tutti gli elementi e le opzioni descritti nella specifica SSML di W3 sono attualmente supportati da Text-to-Speech. In questa pagina vengono descritti gli elementi e le opzioni disponibili per la tua applicazione. I link di riferimento W3 forniti di seguito possono essere utili per ulteriore contesto ed esempi.

<speak>

L'elemento principale della risposta SSML.

Per scoprire di più sull'elemento speak, consulta la specifica di 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 una parola e l'altra, l'interruzione viene determinata automaticamente in base al contesto linguistico.

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

Attributi

Attributo	Descrizione
time	Imposta la durata dell'interruzione in secondi o millisecondi (ad es. "3 s" o "250 ms").
strength	Imposta la forza dell'interruzione prosodica dell'output in base a termini relativi. I valori validi sono: "x-weak", deboli", "medium", "strong" e "x-strong". Il valore "nessuno" indica che non deve essere emesso alcun limite di interruzione prosodica, che può essere utilizzato per evitare un'interruzione prosodica che altrimenti produrrebbe il processore. Gli altri valori indicano l'intensità della interruzione tra i token in modo monotonicamente non decrescente (in aumento concettuale). I limiti più forti sono in genere accompagnati da pause.

Esempio

L'esempio seguente mostra come utilizzare l'elemento <break> per fare una 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 è pronunciato come "quarantadue dollari e un centesimo". Se l'attributo della lingua viene omesso, utilizza le impostazioni internazionali correnti.

  <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 lo stile "google:style" omesso, pronuncia lo zero come la lettera O.

  "google:style='zero-as-zero'" attualmente funziona solo con le lingue EN.

        <speak>
          <say-as interpret-as='telephone' google:style='zero-as-zero'>1800-202-1212</say-as>
        </speak>
      

• verbatim o spell-out

  Il seguente esempio viene 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 di campo viene visualizzato una volta per l'anno, il mese o il giorno, il numero previsto di cifre è rispettivamente 4, 2 e 2. Se il codice di campo viene ripetuto, il numero di cifre previste 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 pronunciata della data. Per detail='1' sono obbligatori solo i campi del giorno e uno del mese o dell'anno, sebbene possano essere forniti entrambi. Questo è il valore predefinito quando non vengono specificati tutti e tre i campi. La forma pronunciata è "Il {ordinal day} del {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 10 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. Si tratta del valore predefinito quando vengono compilati 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 è pronunciato come "Dodicimilatrecentoquarantacinque" (per l'inglese americano) o "dodicimilatrecentoquarantacinque (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

  Il seguente esempio è pronunciato "Due e trenta del pomeriggio":

  <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 di campo viene ripetuto, il numero di cifre previste 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. Il formato vocale è nel formato 24 ore se il valore detail='1' o detail viene omesso e il formato dell'ora è nel formato 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 l'inserimento di altri formati audio insieme all'output vocale sintetizzato.

Attributi

Attributo	Obbligatorio	Predefinito	Valori
src	sì	n/a	Un URI che fa riferimento 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 superiore o uguale alla durata effettiva della sorgente audio, non verrà 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 dalla percentuale. L'intervallo attualmente supportato è [50% (lenta - velocità dimezzata), 200% (veloce - velocità doppia)]. I valori al di fuori di questo intervallo possono (o non possono) essere modificati per rientrare nell'intervallo.
repeatCount	no	1 o 10 se repeatDur è impostato	Un Numero reale che specifica quante volte inserire l'audio (dopo il clipping, se presente, 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 valore TimeDesignation che rappresenta un limite per la durata dell'audio inserito dopo l'elaborazione della sorgente 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	+0 dB	Regola il livello del suono dell'audio di soundLeveldecibel. La portata massima è +/-40 dB, ma l'intervallo effettivo potrebbe essere effettivamente inferiore e la qualità dell'output potrebbe non dare buoni risultati su tutta la gamma.

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

• Formato: MP3 (MPEG v2)
  • 24.000 campioni al secondo
  • 24K ~ 96.000 bit al secondo, velocità fissa
• Formato: Opus in Ogg
  • 24.000 campioni al secondo (super-wideband)
  • 24K - 96K bit al secondo, velocità fissa
• Formato (deprecato): WAV (RIFF)
  • PCM a 16 bit firmato, 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 con una 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 user agent durante il recupero dell'audio è "Google-Speech-Azioni".

I contenuti dell'elemento <audio> sono facoltativi e vengono utilizzati se il file audio non può essere riprodotto o se il dispositivo di output 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 dell'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 di 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 frase e paragrafo.

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

• Usa <s>...</s> tag per aggregare frasi complete, soprattutto se contengono elementi SSML che cambiano prosodia (ovvero <audio>, <break>, <emphasis>, <par>, <prosody>, <say-as>, <seq> e <sub>).
• Se una pausa nel discorso deve essere abbastanza lunga da poter essere udita, utilizza <s>...</s> e inserire l'interruzione 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 un una posizione specifica nella sequenza o per inserire un indicatore in uno stream di output per la notifica asincrona.

Nota: segui queste linee guida quando utilizzi l'elemento mark:

• Utilizza i segni START e END anziché aggiungere segni personalizzati all'inizio o alla fine del codice SSML.
• Non aggiungere contrassegni consecutivi nel tuo SSML. I segni in rapida successione potrebbero non generare eventi. Inoltre, se non viene generato audio tra i segni, non verranno generati eventi. Ad esempio, evita di fare quanto segue:
  Sentence 1. <mark name=a><mark name=b> Sentence 2.
  

Nota: per comodità, ricevi automaticamente gli eventi START e END nelle risposte per Interactive Canvas. Questi marchi non sono inclusi nelle specifiche W3.

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

Esempio

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

Prova anche tu

<prosody>

Utilizzato per personalizzare la tonalità, la velocità del parlato e il volume del testo contenuto dall'elemento. Al momento 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:

Nota: i tag <prosody> devono essere utilizzati solo intorno a una frase completa. Racchiudi le parole all'interno di una frase potrebbe causare pause indesiderate nel parlato.

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 la proposta musicale di "N" percentuale utilizzando "+N%" o "-N%" rispettivamente. Tieni presente che "%" è obbligatorio, ma "+/-" è facoltativo.

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

Esempio

Nell'esempio seguente viene utilizzato l'elemento <prosody> per parlare lentamente a 2 semitoni più bassi 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 il parlato in modo simile a <prosody>, ma senza dover impostare attributi vocali individuali.

Nota: i tag <emphasis> devono essere utilizzati solo intorno a una frase completa. Racchiudere delle parole all'interno di una frase può causare pause indesiderate nel parlato.

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

Nell'esempio seguente viene utilizzato l'elemento <emphasis> per creare 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 per l'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).

Nota: questo elemento non è un elemento SSML standard ed è fornito come funzionalità aggiuntiva di Text-to-Speech.

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 corrisponde all'ordine in cui vengono visualizzati.

Gli attributi begin ed end degli elementi secondari possono essere impostati su valori di offset (consulta la sezione Specifica temporale 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>.

Nota: questo elemento non è un elemento SSML standard ed è fornito come funzionalità aggiuntiva di Text-to-Speech.

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 SSML <speak> o <audio>. La tabella seguente descrive gli attributi validi per un elemento <media>.

Nota: questo elemento non è un elemento SSML standard ed è fornito come funzionalità aggiuntiva della piattaforma Actions on Google.

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 dell'identificatore consentiti corrispondono all'espressione regolare "([-_#]|\p{L}|\p{D})+". Per ulteriori informazioni, consulta XML-ID.
inizio	no	0	L'ora di inizio di questo contenitore multimediale. Ignorato se si tratta dell'elemento contenitore multimediale principale (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 frazionarie non sono supportate, pertanto il valore verrà arrotondato al numero intero più vicino. Zero non è un valore valido e viene pertanto considerato non specificato e presenta il valore predefinito in questo caso.
repeatDur	no	nessun valore	Un valore TimeDesignation che rappresenta un limite per la 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. La portata massima è +/-40 dB, ma l'intervallo effettivo potrebbe essere effettivamente inferiore e la qualità dell'output potrebbe non dare buoni risultati su tutta la gamma.
fadeInDur	no	0 s	Un elemento TimeDesignation durante il quale i contenuti multimediali passano dalla modalità silenziosa all'elemento soundLevel specificato facoltativamente. Se la durata dei contenuti multimediali è inferiore a questo valore, la dissolvenza in entrata verrà interrotta al termine della riproduzione e il livello dell'audio non raggiungerà il livello audio 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 dell'audio viene impostato su un valore inferiore per garantire che venga raggiunto il silenzio alla fine della riproduzione.

Specifica temporale

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 di tempo è un valore di 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. L'impostazione predefinita 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. Text-to-Speech accetta IPA e Alfabeti fonetici X-SAMPA. Consulta le pagina dei fonemi per un elenco delle lingue supportate e 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>

Nota: imposta il campo alphabet su ipa o x-sampa, a seconda dell'alfabeto fonetico in uso. Le uniche eccezioni sono il giapponese, che deve essere specificato come yomigana, e le lingue cinesi, che devono essere specificate come pinyin o jyutping. Consulta le pagina phonemi per vedere quali alfabeti fonetici disponibili per la tua lingua.

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. Stress secondario: indicato con /tali/ nell'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 visualizzare lo stress livelli disponibili per la tua lingua. Gli indicatori di stress sono posizionati all'inizio ciascuna sillabe sottolineata. 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, fai in modo che le trascrizioni siano più generiche e di natura fonetica. Ad esempio, in inglese americano, trascrivi la /t/ intervocalica (anziché usare un tap):

Parola di esempio	IPA	X-SAMPA
burro	tali al posto di b	"bVt@` invece di "bV4@`

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

Un esempio è l'assimilazione della sonorità 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	dregz al posto di dreg	"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. Per esempio:

Parola di esempio	IPA	X-SAMPA
gattino	ˈkɪtən anziché ˈkɪtn	"kIt@n anziché "kitn
bollitore	ktΣ al posto di ktl	"kEt@l anziché "kEtl

Sillabificazione

Puoi specificare i limiti delle sillabe facoltativamente utilizzando /./. Ogni sillaba deve 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 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 della pronuncia personalizzato è nella richiesta, il testo di input verrà trasformato automaticamente con il tag phoneme SSML.

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, l'esempio seguente sarebbe 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 voci in una singola richiesta SSML. Nell'esempio seguente, la voce predefinita è una voce maschile 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 specificare un valore 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>

Nota: quando un tag <voice> specifica un nome di voce, il tipo di voce deve essere compatibile con il nome della voce richiesto.

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 tra "male" e "female" o "neutro".
• 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. È possibile specificare una sola lingua in un <voice> tag specificato. Specifica la lingua nel 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 attributi preferiti in base al criterio del "best effort" nell'ordine in cui sono elencati dopo il tag ordering. Se gli attributi preferiti sono configurati scorrettamente, la sintesi vocale 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 nel formato BCP-47 (questo valore è indicato come "codice lingua" in nella tabella voci supportate). Nel seguente esempio, la parola "chat" verrà verbalizzata 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 massimo impegno. Non tutte di combinazioni linguistiche producono risultati della stessa qualità se specificati nello stesso richiesta SSML. In alcuni casi, una combinazione di lingue potrebbe produrre un effetto che è 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 l'arabo, l'ebraico e il persiano non sono supportate dal tag <lang>, di conseguenza viene silenziato. Se vuoi utilizzare uno degli queste lingue ti consigliamo di usare il tag <voice> per passare a una voce che parla la lingua desiderata (se disponibile).

Timepoint SSML

L'API Text-to-Speech supporta l'utilizzo di punti temporali nell'audio creato e i dati di Google Cloud. 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 quindi l'offset temporale tra l'inizio l'audio e il punto temporale.

Per impostare un punto in tempo sono necessari due passaggi:

1. Aggiungi un tag SSML <mark> nel punto dello script in cui vuoi inserire un timestamp .
2. Imposta TimepointType su SSML_MARK. Se questo campo non viene impostato, i punti temporali non vengono restituiti dal predefinito.

L'esempio seguente restituisce due istanti di tempo:

• timepoint_1: indica il tempo (in secondi) in cui la parola "Mark" appare in l'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

Anteprima

Questo prodotto o funzionalità è soggetto ai "Termini delle Offerte pre-GA" nella sezione Termini generali del servizio dei Termini specifici del servizio. I prodotti e le funzionalità pre-GA sono disponibili "così come sono" e potrebbero avere un supporto limitato. Per saperne di più, consulta le descrizioni della fase di lancio.

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