Speech Synthesis Markup Language (SSML)

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

Di seguito è riportato un esempio di markup SSML e della sintesi Text-to-Speech del 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 dall'input SSML con Text-to-Speech, vedi Creazione di file audio vocali.

Suggerimenti per l'utilizzo di SSML

A seconda dell'implementazione, potresti dover eseguire l'escape di virgolette o apici nel payload SSML che invii 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 venga letto come codice utilizzando il relativo codice di escape. La tabella seguente mostra i caratteri SSML riservati e i relativi codici di escape.

Seleziona una voce

Puoi impostare la voce nell'oggetto VoiceSelectionParams. Consulta il tutorial SSML di Text-to-Speech per visualizzare un esempio di codice che mostra l'utilizzo dell'oggetto VoiceSelectionParams.

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

Supporto degli elementi SSML

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

<speak>

L'elemento principale della risposta SSML.

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

Esempio

<speak>
  my SSML content
</speak>

<break>

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

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

Attributi

Esempio

Il seguente esempio mostra come utilizzare l'elemento <break> per mettere in pausa tra i passaggi:

<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 nell'elemento. 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 come viene pronunciato il 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

  Il seguente esempio viene letto come "quarantadue dollari e un centesimo". Se l'attributo lingua viene omesso, vengono utilizzate 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 valori dell'attributo say-as di W3C SSML 1.0.

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

  L'attributo "google:style='zero-as-zero'" al momento funziona solo nei paesi con lingua inglese.

        <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 carattere del campo data. I codici dei caratteri 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 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 del giorno e uno dei campi del mese o dell'anno, anche se è possibile fornirli entrambi. Questo è il valore predefinito quando vengono forniti meno di tutti e tre i campi. La forma parlata è "Il giorno {ordinal day} di {month}, {year}".

  Il seguente esempio viene letto come "Il dieci settembre millenovecentosessanta":

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

  Il seguente esempio viene letto come "Il dieci 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 "10 settembre 1960":

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

• characters

  Il seguente esempio viene pronunciato "C A N":

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

• cardinal

  Il seguente esempio viene pronunciato "Twelve thousand three hundred forty five" (in inglese americano) o "Twelve thousand three hundred and forty five (in 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 letto come "cinque e mezzo":

  <speak>
    <say-as interpret-as="fraction">5+1/2</say-as>
  </speak>
      

• expletive o bleep

  Il seguente esempio viene riprodotto come un segnale acustico, 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 "10 piedi":

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

• time

  Il seguente esempio viene letto come "Two thirty P.M.":

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

  L'attributo format è una sequenza di codici carattere del campo ora. I codici carattere dei campi supportati in format sono {h,m, s, Z, 12, 24} per ora, minuto (dell'ora), secondo (del minuto), fuso orario, ora in formato 12 ore e ora in formato 24 ore, rispettivamente. Se il codice campo viene visualizzato una volta per ora, minuti o secondi, il numero di cifre previsto è rispettivamente 1, 2 e 2. Se il codice 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 ora, minuti o secondi non sono specificati nel formato o non sono presenti cifre corrispondenti, il campo viene considerato come valore zero. Il valore predefinito di format è "hms12".

  L'attributo detail controlla se l'ora pronunciata è nel formato a 12 ore o 24 ore. La forma parlata è l'ora nel formato 24 ore se detail='1' o detail vengono omessi e il formato dell'ora è nel formato 24 ore. La forma parlata è l'ora di 12 ore se detail='2' o se detail viene omesso e il formato dell'ora è di 12 ore.

Per saperne 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

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

• Formato: MP3 (MPEG v2)
  • 24.000 campioni al secondo
  • 24 K ~ 96 K bit al secondo, velocità fissa
• Formato: Opus in Ogg
  • 24.000 campioni al secondo (super-wideband)
  • 24.000 - 96.000 bit al secondo, velocità fissa
• Formato (ritirato): WAV (RIFF)
  • PCM a 16 bit con segno, little endian
  • 24.000 campioni al secondo
• Per tutti i formati:
  • È preferibile un singolo canale, ma lo stereo è accettabile.
  • Durata massima di 240 secondi. Se vuoi riprodurre audio con una durata maggiore, valuta la possibilità di implementare una risposta multimediale.
  • La dimensione massima del file è 5 megabyte.
  • 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 output non supporta l'audio. I contenuti possono includere un elemento <desc>, nel qual caso vengono utilizzati i contenuti di testo di questo elemento per la visualizzazione. Per ulteriori informazioni, consulta la sezione Audio registrato nell'elenco di controllo delle risposte.

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

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

Per saperne 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 saperne di più sugli elementi p e s, consulta le specifiche W3.

Esempio

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

Best practice

• Utilizza i tag <s>...</s> per racchiudere le frasi complete, soprattutto se contengono elementi SSML che modificano la prosodia (ovvero <audio>, <break>, <emphasis>, <par>, <prosody>, <say-as>, <seq> e <sub>).
• Se una pausa nel discorso deve essere abbastanza 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 saperne 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 marcatore nella sequenza di testo o tag. Può essere utilizzato per fare riferimento a una posizione specifica nella sequenza o per inserire un indicatore in un flusso di output per la notifica asincrona.

Per saperne 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 il tono, 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:

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

Esempio

L'esempio seguente utilizza l'elemento <prosody> per parlare lentamente a un tono di 2 semitoni inferiore al normale:

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

<emphasis>

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

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

• strong
• moderate
• none
• reduced

Per saperne 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 orario di inizio diverso, l'orario di inizio implicito dell'elemento è lo stesso del contenitore <par>. Se un elemento secondario ha un valore di offset impostato per l'attributo begin o end, l'offset dell'elemento sarà relativo all'ora di inizio del contenitore <par>. Per l'elemento radice <par>, l'attributo begin viene ignorato e l'ora di inizio è quella in cui il processo di sintesi vocale SSML inizia a generare l'output per l'elemento radice <par> (ovvero, in pratica, l'ora "zero").

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 di contenuti multimediali sequenziali 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 Specifica dell'ora 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 SSML <speak> o <audio>. La tabella seguente descrive gli attributi validi per un elemento <media>.

Attributi

Specifica dell'ora

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

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

  La prima stringa di cifre è la parte intera del numero decimale, mentre la seconda stringa di cifre è la parte frazionaria decimale. Il segno predefinito (ovvero "(+|-)?") è "+". I valori dell'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 che corrispondono 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 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> dirige 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 possono essere inseriti fino a tre livelli di accento:

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

Alcune lingue potrebbero avere meno di tre livelli o non indicare affatto il posizionamento dell'accento. Consulta la pagina dei fonemi per vedere i livelli di accento disponibili per la tua lingua. I segni di accento vengono posizionati all'inizio di ogni sillaba accentata. Ad esempio, in inglese (Stati Uniti):

Trascrizioni ampie e dettagliate

Come regola generale, mantieni le trascrizioni più ampie e fonemiche. Ad esempio, in inglese americano, trascrivi la /t/ intervocalica (anziché utilizzare un colpo di lingua):

In alcuni casi, l'utilizzo della rappresentazione fonemica rende i risultati della sintesi vocale innaturali (ad esempio, se la sequenza di fonemi è difficile da pronunciare dal punto di vista anatomico).

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

Riduzione

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

Sillabazione

Puoi specificare facoltativamente i limiti delle sillabe utilizzando /./. Ogni sillaba deve contenere una sola vocale. Ad esempio:

Dizionario di pronuncia personalizzato

In alternativa a fornire le pronunce in linea con il tag phoneme, fornisci un dizionario di pronunce personalizzate nella RPC di sintesi vocale. Quando il dizionario di pronuncia personalizzato è nella richiesta, il testo di input viene trasformato automaticamente con il tag SSML phoneme.

Ad esempio, la seguente richiesta con input di testo e pronuncia personalizzata verrà trasformata e sarà equivalente 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 verrebbe letto 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:

<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 con questa voce, ad eccezione di "qu'est-ce qui t'amène ici", che verrà verbalizzata in francese utilizzando una voce femminile anziché la lingua (inglese) e il genere (maschile) predefiniti.

<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 language e/o un 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>, 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 fornirne almeno uno se non fornisci un name.

• gender: "uomo", "donna" o "neutro".
• variant: utilizzato come criterio di spareggio nei casi in cui esistono più possibilità di quale voce utilizzare in base alla configurazione.
• language: la lingua che preferisci. È possibile specificare una sola lingua in un determinato tag <voice>. Specifica la lingua nel formato BCP-47. Puoi trovare il codice BCP-47 per la tua lingua nella colonna Codice lingua della pagina delle voci e delle 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 attributi preferiti anziché obbligatori. L'API Text-to-Speech considera gli attributi preferiti in base al migliore tentativo nell'ordine in cui sono elencati dopo il tag ordering. Se alcuni attributi preferiti sono configurati in modo errato,Text-to-Speeche potrebbe comunque restituire una voce valida, ma con la configurazione errata eliminata.

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 nella stessa richiesta SSML. Tutte le lingue verranno sintetizzate con la stessa voce, a meno che tu non utilizzi il tag <voice> per cambiare esplicitamente la voce. La stringa xml:lang deve contenere la lingua di destinazione nel formato BCP-47 (questo valore è elencato come "codice lingua" nella tabella voci supportate). Nell'esempio seguente, "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> al meglio delle possibilità. Non tutte le combinazioni di lingue producono risultati della stessa qualità se specificate nella stessa richiesta SSML. 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 traslitterato 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 temporali SSML

L'API Text-to-Speech supporta l'utilizzo di timepoint nei dati audio creati. Un timepoint è un timestamp (in secondi, misurato dall'inizio dell'audio generato) che corrisponde a un punto designato nello script. Puoi impostare un punto temporale nel copione 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 temporale sono necessari due passaggi:

1. Aggiungi un tag SSML <mark> al punto del copione per cui vuoi un timestamp.
2. Imposta TimepointType su SSML_MARK. Se questo campo non è impostato, i punti temporali non vengono restituiti per impostazione predefinita.

L'esempio seguente restituisce due punti temporali:

• timepoint_1: indica il momento (in secondi) in cui la parola "Mark" compare nell'audio generato.
• timepoint_2: indica il momento (in secondi) in cui la parola "vedi" appare nell'audio generato.

<speak>Hello <mark name="timepoint_1"/> Mark. Good to <mark
name="timepoint_2"/> see you.</speak>

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 per 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