SSML是语音合成标记语言（Speech Synthesis Markup Language）的缩写。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。

关于Universal SSML

Universal SSML是Flute统一TTS前端（Universal FrontEnd，简称UFE）采用的与具体语种解耦的SSML框架，能够方便地为不同语种提供SSML能力。

<speak> 根元素

描述

<speak>作为SSML的根元素出现。不存在该根元素的输入文本不会被认为是SSML。

子元素

任意

注意事项

• 根元素即包含了其它全部内容的元素，不应存在与之并列或包含根元素的其它元素。
• 根元素应当只出现一次。

实例

如无特别说明，实例中的音频均由英语UFE前端+DB6音色Tacotron后端生成。

• 正确示范

<speak>hello world</speak>

• 错误示范：多次出现

<speak>hello <speak>world</speak></speak>

报错：unrecognized ssml: 1 -- failed to parse child -- failed to parse ssml

• 错误示范：缺少唯一根元素（存在并列的顶级元素）

<speak>hello</speak> <speak>world</speak>

目前的行为是仅考虑第一个根元素的内容，暂不报错

• 错误示范：缺少根元素（不被认为是SSML）

hello world

hello <break/> world

<phoneme> 指定字词发音（音素）

描述

<phoneme>用于手动指定部分字词的发音。通常用于纠正TTS为多音字自动生成的不准确发音。

属性

子元素

纯文本

拼音（py）

注意事项

• 用于中文前端。
• 使用空格分隔多个拼音。
• 不区分大小写。
• 子元素必须为纯文本，且为一个或多个汉字，不应出现标点符号。
• 声母是可选的。
• 音调包括：
  • 1 - 阴平、2 - 阳平、3 - 上声、4 - 去声
  • 5 - 轻声
  • 6 - 连续两个上声时，第一个上声的音调即为6（接近2 - 阳平），参见三声变调（连上变调）

实例

<speak>《茜茜公主》是奥地利拍摄的历史题材的德语三部曲电影。</speak>

<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>

<speak>要一起去<phoneme alphabet="py" ph="chi1">吃</phoneme>饭吗</speak>

CMU音标（cmu）

注意事项

• 用于英文前端。
• 使用空格分隔多个音素。
• 不区分大小写。
• CMU元音音标包含可选的Stress标号，如IY1、UW2。
• 子元素必须为纯文本，且为一个或多个英文单词，不应出现标点符号。

实例

• 正确示范

<speak>
    <!-- 不区分大小写 -->
    <phoneme alphabet="cmu" ph="w uw1 ch IY1 l Uw n">
    Wu Qilong
    </phoneme> 
    and Wu Qilong
</speak>

• 错误示范：不应出现标点符号

<speak>
    <phoneme alphabet="cmu" ph="w uw1 ch IY1 l Uw n">
    Wu, Qilong
    </phoneme> 
</speak>

报错： should align with the word groups

柯林斯美音音标（ipa）

注意事项

• 用于英文前端。
• 不使用分隔符，连续书写音标。
• 注意只能使用美式音标。
• 子元素必须为纯文本，且为一个或多个英文单词，不应出现标点符号。
• 音标包括：

"i",      "ɪ",     "ɛ/e",   "æ",      "ɑ/ɑː", "ɔ/ɔ:",      "u/u:",
"ʊ",      "ʌ",     "ə",     "ɜr/ɜːr", "ər",   "aɪ/ai",     "eɪ/ei",
"ɔɪ/ɔi",  "oʊ/ou", "aʊ/au", "ɑr/ɑːr", "ɔr",   "ʊr/ur/ʊər", "ɛr/ɛər",
"ɪr/ɪər", "p",     "b",     "t",      "d",    "k",         "g",
"f",      "v",     "θ",     "ð",      "s",    "z",         "ʃ",
"ʒ",      "tʃ",    "dʒ",    "tr",     "dr",   "ts",        "dz",
"l",      "r",     "m",     "n",      "ŋ",    "w",         "j",
"h",

• 重音符和次重音符：

"ˈ", "ˌ"

实例

• 正确示范

<speak>
    <phoneme alphabet="ipa" ph="wutʃilun">
    Wu Qilong
    </phoneme>
    and Wu Qilong
</speak>

<say-as> 指定字词解析语义（读法）

描述

<say-as>用于指定解析文本的语义类型。同一文本内容可能有不同的解读，也就有不同的读法。

属性

子元素

纯文本

文本正规化支持的类别

注意事项

• 不区分大小写。
• 子元素必须为纯文本。

实例

• 正确示范

<speak>12:30 and <say-as interpret-as="score">12:30</say-as></speak>

<speak>12.30 and <say-as interpret-as="date">12.30</say-as></speak>

<speak>
    20 
    and <say-as interpret-as="ordinal">20</say-as> 
    and <say-as interpret-as="digit">20</say-as>
</speak>

<speak>hello and <say-as interpret-as="verbatim">hello</say-as></speak>

• 错误示范：不应出现其它标签

<speak>
    <say-as interpret-as="digit">
        12 <break time="100ms" /> 34
    </say-as>
</speak>

报错： can only contain plain text -- failed to parse child -- failed to parse ssml

<sub> 文本替换

描述

<sub>等价于将其内部的文本替换为其alias属性中的文本。

属性

实例

<speak><sub alias="语音合成标记语言">SSML</sub></speak>