语音合成标记语言（SSML：Speech Synthesis Markup Language），它是W3C的语音接口框架的一部分，通过SSML，可以对语音合成的效果进行定制化。

4.1 speak 根元素

描述
SSML的根元素，不论使用哪个ssml标签，都要有<speak></speak>。
示例

<speak>这句话是没有任何SSML语法的效果。</speak>

注意事项

• <speak></speak>可以独立使用，不加其他任何标签，此时的没有任何特殊合成效果
• <speak></speak>在每次合成请求中，只能有且只有一次出现
• <speak></speak>一定在需要合成的所有文本（及标点）的最外面

错误示范

• ❌错误示范1❌：一次请求包含2个及以上的<speak></speak>

<speak> 南京市</speak> <speak><word>长江大桥</word></speak>

• ❌错误示范2❌： <speak>标签外还有文本内容

南京市 <speak><word>长江大桥</word></speak>

4.2 break 调整停顿时长

描述
用于在文本中插入停顿，可以自定义停顿的时间长度。
属性

注意事项

• strength & time 不能同时指定

示例

1. 不添加break标签效果：

<speak>
  今天天气很好
</speak>

• 音频效果：以BV001为例

2. 使用 strength 示例

<speak>
  今天<break strength="x-strong"/>天气很好
</speak>

• 音频效果：以BV001为例

3. 使用 time 示例

<speak>
  今天天气<break time="2.5s"></break>很好
</speak>

• 音频效果：以BV001为例

4.3 word 指定词语结构

描述
用于说明词语结构，使指定的词组不被拆分，只能加在中文上。
示例

<speak>
  南京市<word>长江大桥</word>。
</speak>

• 音频效果：以BV001为例

注意事项
<word></word>内不支持数字、非中文语种。

4.4 audio 拼接音频链接

描述
将TTS合成的语音与外部的音频文件进行拼接，拼接后作为一段完整音频返回。
属性

示例

<speak>
苹果的英文是<audio src="https://sa-bucket.tos-cn-beijing.volces.com/apple.mp3"></audio>你学会了吗？
</speak>

4.5 调整语速、语调、音量

4.5.1 句级别 变速、变调、变音量

描述
支持请求中局部文字的变速、变调、变音量。所有音色均支持。
属性

注意事项

• speed、volume、pitch顺序可以调换，三者必须有一。

示例

//示例1
<speak>
    这是原来的样子。
    <prosody speed="1.5" >这是升速到1.5倍的样子</prosody> 
    <prosody speed="0.5" >这是降速到0.5倍的样子</prosody>
</speak>

//示例2
<speak>
    这是原来的样子。
    <prosody volume="1.5" >这是提高音量到1.5倍的样子</prosody>
    <prosody volume="0.5" >这是降低音量到0.5倍的样子</prosody>
</speak>

//示例3
<speak>
    这是原来的样子。
    <prosody pitch="1.5" >这是升调到1.5倍的样子</prosody>
    <prosody pitch="0.5" >这是降调到0.5倍的样子</prosody>
</speak>

4.5.2 <英语>语调、 重音、停顿时长 控制

描述
< tobi >用于指定英文音高重音、短语重音和边界调，只适用于英文音色。
属性

注意事项

• 参数phrase_accent, accent_type，二者至少要有一个。
• 当需要参数boundary_tone时，必须提供参数phrase_accent。
• <tobi 后略>xxx标签内有且只能有一个单词。

示例：

<speak>
  We have a <tobi phrase_accent="L-" boundary_tone="L%" accent_type="L*" ><phoneme alphabet="ipa" ph="laɪv">live</phoneme></tobi> show of a football match this Friday night.
</speak>

4.6 phoneme 指定字词发音

4.6.1 py 指定中文发音

描述
为标签内的文本指定发音，只能加在中文上。
属性

示例

<speak>
  《<phoneme alphabet="py" ph="xi1 xi1">茜茜</phoneme>公主》是奥地利拍摄的历史题材的德语三部曲电影。
</speak>

• 音频效果：以BV001为例

4.6.2 ipa 指定「英文」发音

描述
通过国际音标指定英文发音，实现指定同型不同音的单词发音，也可以实现自然拼读效果。
✨ 特别说明✨
我们调研了牛津、剑桥、有道等常用词典，发现均使用了类似的教学IPA体系对产品内的英语进行标注，但彼此间又有一定出入。为了保证发音指定严谨，火山引擎目前采用的是学术IPA集。下方提供了学术IPA、教学IPA、CMU的对照关系表，使用前需要确认传入的IPA是否正确哦~
举例：

• 学术IPA集里 /ɹ/，在常见词典多使用 /r/ 进行标注。需要注意区分。
• 学术IPA集里/ɛ/，在常见词典多使用 /e/ 进行标注，只有牛津使用的是标准的学术IPA /ɛ/。需要注意区分。
• 学术IPA集里/ɚ/，在常见词典多使用 /ər/ 进行标注，只有剑桥使用的是标准的学术IPA /ɚ/。需要注意区分。

属性

示例1 - 音标（仅支持部分音色）

<speak>
  <phoneme alphabet="ipa" ph="æ">a</phoneme>，apple.是苹果的意思.
</speak>

示例2 - 单词

<speak>
  We have a <phoneme alphabet="ipa" ph="laɪv">live</phoneme> show of a football match this Friday night.
  We used to <phoneme alphabet="ipa" ph="lɪv">live</phoneme>in London .
</speak>

示例3 - 词重音

<speak>
    <phoneme alphabet="ipa" ph="fəˈnæns">finance</phoneme> .
    <phoneme alphabet="ipa" ph="ˈfaɪˈnæns">finance</phoneme>.
    <phoneme alphabet="ipa" ph="ˈfaɪnæns">finance</phoneme>.
</speak>

示例4 - 自然拼读

<speak>
    <phoneme alphabet="ipa" ph="æ">a</phoneme>
    <break time="0.5s"></break>
    <phoneme alphabet="ipa" ph="æ">a</phoneme>
    <break time="0.5s"></break>
    apple
</speak>

4.7 say-as 根据「信息类型」指定读法

描述
根据信息类型指定标签参数，使之按照该类型常见的发音方式进行合成。
语法说明

<say-as interpret-as="string">text</say-as>。

4.7.1 score 冒号按照「比例/比分」播报

描述

示例

<speak>
  这场比赛最终以<say-as interpret-as="score">12:15</say-as>告终。
</speak>

• 音频效果： 以BV010为例

4.7.2 time 冒号按照「时间」播报

描述

示例

<speak>
  我们约了<say-as interpret-as="time">12:15</say-as>在公园门口见面。
</speak>

• 音频效果：以BV010为例

4.7.3 digits 数字按照「单个数字」播报

描述

示例

<speak>
我的游戏ID是<say-as interpret-as="digits">123 456 789</say-as>。
他给我的笔记上写的数字是<say-as interpret-as="digits">467,995</say-as>，我推测这可能是游戏内隐藏奖励的坐标。
</speak>

• 音频效果：以BV700为例

4.7.4 number 数字按照「整体数字」播报

描述
只能包含数字、负号、小数点以及英文逗号且符合数字格式，否则会合成失败

示例

<speak>
X的值是<say-as interpret-as="number">-12.34</say-as>。
Y的值是<say-as interpret-as="number">467,995</say-as>。
</speak>

• 音频效果：（以BV700为例）

4.7.5 telephone 数字按照「电话」播报

描述
支持空格或横杠分割的数字串作为电话播报，"1"读作“幺”

示例

<speak>
    办公室电话是<say-as interpret-as="telephone">80004001-121</say-as>。
    我的电话是<say-as interpret-as="telephone">123 4567 4567</say-as>。
    没事儿不要乱拨<say-as interpret-as="telephone">110</say-as>。
    他今天给我转账了110元。
</speak>

• 音频效果：以BV700为例

4.7.6 address 文本按照「地址」播报

描述
标签包含的文本按照地址播报，对其中的数字按照以下方式读取

• 1-2位数字按照整体数字读取

• 3+位数字按照单个数字读取，且"1"读作"幺"

示例

<speak>
我的住址是<say-as interpret-as="address">碧水家园12号楼1单元6601号房</say-as>。
</speak>

• 音频效果：以BV700为例

4.7.7. characters 文本按照「单个符号」播报

描述
使用该标签后，标签内部文本中的每一个符号顺序播报，在通用场景「business=default」与数学场景下「business=math」效果不同

• 通用场景下：英文字符以及数字均会按照单个读取，且文本中如有下述符号的也会按照指定发音朗读

• 数学场景（math）下：仅英文字符会单个读取

示例

<speak>
    <say-as interpret-as="characters">
        ab+xy=apple
    </say-as>
</speak>

• 音频效果：以BV034为列

4.7.8 poetry 按照「古诗风格」播报

描述
标签内容按照古诗词韵律、字词发音方式进行合成。
注意事项
请提前验证目标音色在poetry标签下的合成效果。

• 不同音色，训练语料中古诗词的比例不同，会导致古诗文合成的韵律效果各不相同。
• 不同体裁的古诗文韵律结构、特殊字词的发音不同。同一音色对不同体裁古诗文的支持程度也不相同。

示例

<speak>
  <say-as interpret-as="poetry">窗前明月光，疑是地上霜。</say-as>。
</speak>

• 音频效果：以BV010为例

4.8 sub 替换别名

描述
使用该标签后，可将内嵌文本替换为指定文本，后续将按照替换后的文本进行处理以及播报，目前暂时仅中文音色适用
属性

示例

<speak><sub alias="Speech Synthesis Markup Language">SSML</sub></speak>

• 音频效果：以BV034为列

4.9 指定文本播报的情感及强度 - emotion

描述
可对文本制定情感并进行播报，但仅对支持情感能力的音色生效，且不同音色支持的情感种类不同。对于不支持的情感，音频能合成成功，但不带情感。此外部分音色（主要是小说风格音色）的情感通过接口参数调用，建议调用前咨询相关同学。
属性

示例

<speak>
    <emotion style='sorry' style_ratio='0.5'> 
        很抱歉，我还不支持这项功能，但我会努力学习的！
    </emotion> 
    <emotion style='sorry' style_ratio='1.0'> 
        很抱歉，我还不支持这项功能，但我会努力学习的！
    </emotion>
       <emotion style='sorry' style_ratio='2.0'> 
        很抱歉，我还不支持这项功能，但我会努力学习的！
    </emotion>    
</speak>

• 音频效果：以BV700为例

• phoneme 标签
  • 不可嵌套其它标签
• word 标签
  • 可嵌套一层phoneme标签
• break 标签
  • 不可嵌套其它标签
• audio 标签
  • 不可嵌套其它标签