語音合成標記語言 (SSML)

您可以在傳送的 Text-to-Speech 要求中使用語音合成標記語言 (SSML)，設定語音停頓，以及首字母縮略字、日期、時間、縮寫的讀法，或是指定須消音的文字等細節，讓音訊回應具備更高的自訂彈性。如需詳細資訊和程式碼範例，請參閱 Text-to-Speech 的 SSML 教學課程。

注意：SSML 字元會計入字元限制。詳情請參閱「配額與限制」頁面。

以下是 SSML 標記以及 Text-to-Speech 合成文字的範例：

<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>

以下是含有合成文字的 SSML 範例文件：

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 支援一部分可用的 SSML 標記，本主題將逐一說明這些標記。

注意：如要練習使用 SSML 標記，請前往「產品總覽」頁面，使用 Text-to-Speech 產品試用版。按一下「Convert your text to speech right now」(立即將文字轉換為語音) 示範文字方塊右下角的「ssml」連結，即可查看 ssml 格式的輸入內容。

如要進一步瞭解如何使用 Text-to-Speech，根據 SSML 輸入內容來建立音訊資料，請參閱「建立語音的音訊檔案」。

歡迎試用

如果您未用過 Google Cloud，歡迎建立帳戶，親自體驗 Text-to-Speech 在實際應用情境中的成效。新客戶還能獲得 $300 美元的免費抵免額，可用於執行、測試及部署工作負載。

免費試用 Text-to-Speech

SSML 使用訣竅

根據您的實作情況，將 SSML 酬載傳送到 Text-to-Speech 時，可能會需要在 SSML 酬載中逸出引號。以下範例顯示如何設定 JSON 物件內 SSML 輸入內容的格式。

"{
    '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'
    }
  }"

保留字元

請避免在要轉換為音訊的文字中使用 SSML 保留字元。如需使用這類保留字元，請使用逸出碼，避免系統將字元讀取為程式碼。下表列出保留的 SSML 字元及相關逸出碼。

字元	逸出碼
"	"
&	&
'	'
<	&lt;
>	&gt;

選取語音

您可以在 VoiceSelectionParams 物件中設定語音。請參閱 Text-to-Speech SSML 教學課程，觀看程式碼範例，瞭解如何使用 VoiceSelectionParams 物件。

您可以使用 <voice> 標記來以多種語音朗讀 SSML，但須將 VoiceSelectionParams 名稱設為相容的語音：

要求的語音類型	<voice> 標記支援的語音類型
	Neural2	Studio	Wavenet	News	Standard
Neural2	✔	✔			✔
Studio	✔	✔			✔
Wavenet			✔	✔	✔
Standard	✔	✔			✔
News			✔	✔	✔

可使用的 SSML 元素

以下各節說明可在動作中使用的 SSML 元素和選項。

請注意，Text-to-Speech 目前僅支援「W3 SSML 規格」中所述的部分元素和選項。本頁面會詳細說明應用程式有哪些可用的元素和選項。以下 W3 參考資料連結可提供更多脈絡資訊和範例。

<speak>

SSML 回應的根元素。

如要進一步瞭解 speak 元素，請參閱「W3 規格」。

範例

<speak>
  my SSML content
</speak>

<break>

用於控制字詞之間的停頓或其他韻律界限的空元素。您可以選擇是否要在任何一對符記之間使用 <break>。如果字詞間沒有這個元素，系統會依據語境自動決定停頓處。

如要進一步瞭解 break 元素，請參閱「W3 規格」。

屬性

屬性	說明
time	以秒或毫秒為單位設定停頓長度 (例如「3 秒」或「250 毫秒」)。
strength	透過相對等級字詞設定輸出內容的韻律停頓強度，有效值為「x-weak」、「weak」、「medium」、「strong」及「x-strong」。「none」值表示不應輸出韻律停頓界限，用來避免處理器產生韻律停頓。其他值表示兩個符記之間的停頓強度單調不遞減 (概念上遞增)，較強的界限通常會出現停頓。

範例

以下範例說明如何使用 <break> 元素，在各步驟之間停頓：

<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>

這個元素可讓您指定元素所含文字結構類型的相關資訊，也可用於指定轉譯內含文字時的詳細程度。

<say‑as> 元素包含必要屬性 interpret-as，用於決定值的讀法。您可以依據特定 interpret-as 值，使用選用的 format 和 detail 屬性。

範例

interpret-as 屬性支援下列值：

• currency

  以下範例的語音讀法是「forty two dollars and one cent」。如果省略語言屬性，系統會使用目前的語言代碼。

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

• telephone

  請參閱 W3C SSML 1.0 say-as 屬性值 WG 附註的 interpret-as='telephone' 說明。

  以下範例的語音讀法是「one eight zero zero two zero two one two one two」。如果省略「google:style」屬性，系統會將數字 0 唸成字母 O。

  「google:style='zero-as-zero」屬性目前僅適用於語言代碼 EN。

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

• verbatim 或 spell-out

  以下範例分別讀出每個字母：

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

• date

  format 屬性是日期欄位字元碼的序列。format 支援的欄位字元代碼為 {y, m, d}，分別代表年、月和日。如果代表年、月或日的欄位代碼僅出現一次，則預期的數字位數依序為 4、2、2。如果欄位代碼重複出現，預期的數字位數就等於代碼重複的次數。日期文字中的欄位可以用標點符號及/或空格來分隔。

  detail 屬性用來控制日期的讀法。detail='1' 表示必填的只有日欄位，以及月或年其中一個欄位，也可兩者皆填。只要三個欄位少填一個以上，此值即為預設值。讀法是「The {ordinal day} of {month}, {year}」。

  以下範例的語音讀法是「The tenth of September, nineteen sixty」：

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

  以下範例的語音讀法是「The tenth of September」：

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

  detail='2' 表示日、月、年欄位都必填，當三個欄位值都提供時，此值為預設值。讀法是「{month} {ordinal day}, {year}」。

  以下範例的語音讀法是「September tenth, nineteen sixty」：

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

• characters

  以下範例的語音讀法是「C A N」：

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

• cardinal

  以下範例的語音讀法是「Twelve thousand three hundred forty five」(美式英文) 或「Twelve thousand three hundred and forty five」(英式英文)：

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

• ordinal

  以下範例的語音讀法是「First」：

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

• fraction

  以下範例的語音讀法是「five and a half」：

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

• expletive 或 bleep

  以下範例輸出嗶聲，就像經過消音處理一樣：

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

• unit

  依據數字，將單位轉換成單數或複數。以下範例的語音讀法是「10 feet」：

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

• time

  以下範例的語音讀法是「Two thirty P.M.」：

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

  format 屬性是時間欄位字元碼序列。format 支援的欄位字元代碼為 {h,m, s, Z, 12, 24}，分別代表時間的時、分、秒、時區、12 小時制和 24 小時制。如果代表時、分或秒的欄位碼只出現一次，則預期的數字位數依序為 1、2、2。如果欄位代碼重複出現，預期的數字位數就等於代碼重複的次數。時間文字中的欄位可以用標點符號及/或空格來分隔。如果沒有以此格式指定時、分或秒，或是位數不相符，系統會將欄位值視為零。format 的預設值為「hms12」。

  detail 屬性用於控制時間的讀法要使用 12 小時制或 24 小時制。如果省略 detail='1' 或 detail，且時間格式為 24 小時制，讀法便為 24 小時制。如果省略 detail='2' 或 detail，且時間格式為 12 小時制，則讀法為 12 小時制。

如要進一步瞭解 say-as 元素，請參閱「W3 規格」。

<audio>

用於插入錄製的音訊檔，以及其他音訊格式與合成語音輸出。

屬性

屬性	必填	預設值	值
src	是	不適用	參照音訊媒體來源的 URI。支援的通訊協定為 https。
clipBegin	否	0	一個 TimeDesignation 值，指定從音訊來源的開頭到開始播放之間的偏移時間。如果這個值大於或等於音訊來源的實際長度，則不會插入音訊。
clipEnd	否	infinity	一個 TimeDesignation 值，指定從音訊來源的開頭到結束播放之間的偏移時間。如果音訊來源的實際長度小於這個值，就會在值所指定的時間點結束播放。如果 clipBegin 大於或等於 clipEnd，則不會插入音訊。
speed	否	100%	輸出播放速率相對於正常輸入速率的比值，以百分比表示。格式為正實數，後面加上 %。目前支援的範圍為 [50% (慢 - 半速) 至 200% (快 - 雙倍速)]。超出此範圍的值可能會 (也可能不會) 自動調整到範圍內。
repeatCount	否	1，若設定了 repeatDur 則為 10	一個實數，用來指定要插入多少次音訊 (如果設定 clipBegin 和/或 clipEnd，則會先剪輯再插入)。系統不支援小數重複次數，因此值會四捨五入至最接近的整數。零是無效值，因此系統會視為未指定，並使用預設值。
repeatDur	否	infinity	一個 TimeDesignation 值，用來限制插入音訊的長度；此限制是套用在經過 clipBegin、clipEnd、repeatCount 和 speed 屬性處理的來源音訊，而非正常的播放長度。如果處理後的音訊長度少於此值，則會在值指定的時間點結束播放。
soundLevel	否	+0dB	依照 soundLevel 分貝調整音訊的音量。範圍上限是 +/-40dB，但實際範圍可能更小，而且輸出品質可能無法在整個範圍內都有良好表現。

下方是目前支援的音訊設定：

• 格式：MP3 (MPEG v2)
  • 每秒取樣 24K
  • 每秒 24K ~ 96K 位元，固定速率
• 格式：Ogg 中的 Opus
  • 每秒取樣 24K (超寬頻)
  • 每秒 24K - 96K 位元，固定速率
• 格式 (已淘汰)：WAV (RIFF)
  • PCM 帶正負號 16 位元，小端序
  • 每秒取樣 24K
• 適用於所有格式：
  • 建議使用單聲道，但也可接受立體聲。
  • 長度上限 240 秒。如果想播放更長的音訊，請考慮實作媒體回應。
  • 檔案大小上限 5 MB。
  • 來源網址必須使用 HTTPS 通訊協定。
  • 系統擷取音訊時，UserAgent 會標示為「Google-Speech-Actions」。

<audio> 元素內容為選用項目，用於音訊檔案無法播放或輸出裝置不支援音訊的情況。內容可包含 <desc> 元素，在這種情況下，系統會顯示該元素的文字內容。詳情請參閱「回應檢查清單」中的「錄製的音訊」一節。

src 網址必須是 HTTPS 網址。Google Cloud Storage 可以在 HTTPS 網址上託管您的音訊檔案。

如要進一步瞭解媒體回應，請參閱《回應》指南中的「媒體回應」一節。

如要進一步瞭解 audio 元素，請參閱「W3 規格」。

範例

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

<p>,<s>

句子和段落元素。

如要進一步瞭解 p 和 s 元素，請參閱「W3 規格」。

範例

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

最佳做法

• 請使用 <s>...</s> 標記包住完整句子，尤其是包含會改變韻律的 SSML 元素 (即 <audio>、<break>、<emphasis>、<par>、<prosody>、<say-as>、<seq> 和 <sub>) 時。
• 如果語音需出現明顯的停頓，請使用 <s>...</s> 標記，在句子之間放入停頓。

<sub>

指定在發音時，以別名屬性中的文字取代內含文字。

您也可以使用 sub 元素，替難發音的字詞提供簡化發音。下方最後一個範例以日文說明這個用途。

如要進一步瞭解 sub 元素，請參閱「W3 規格」。

範例

<sub alias="World Wide Web Consortium">W3C</sub>

<sub alias="にっぽんばし">日本橋</sub>

<mark>

這個空元素會在文字或標記序列中放置記號，可用來參照序列中的特定位置，或將記號插入輸出串流中，用於非同步通知。

注意：使用 mark 元素時，請遵循下列準則：

• 請使用 START 和 END 標記，請勿在 SSML 的開頭或結尾附近新增自訂標記。
• 請勿在 SSML 中加入連續標記。如果標記速度過快，可能不會產生事件。此外，如果標記之間沒有產生音訊，就不會產生事件。舉例來說，請避免用以下方式使用標記：
  Sentence 1. <mark name=a><mark name=b> Sentence 2.
  

注意：為了方便起見，系統會在互動式畫布的回應中，自動產生 START 和 END 事件。這些標記不包含在 W3 規格中。

如要進一步瞭解 mark 元素，請參閱「W3 規格」。

範例

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

歡迎親自體驗

<prosody>

用來自訂元素內含文字的音調、語速和音量。目前支援 rate、pitch 和 volume 屬性。

您可以依據 W3 規格設定 rate 和 volume 屬性。設定 pitch 屬性值時可使用以下三個選項：

注意：<prosody> 標記只能用於完整句子，在句中加上括號可能會導致語音出現不必要的停頓。

屬性	說明
name	每個標記的字串 ID。

選項	說明
相對	指定相對值，例如 「low」、「medium」、「high」等；「medium」是預設音調。
半音	使用「+Nst」或「-Nst」，將音調提高或降低「N」個半音。請注意，值必須包含「+/-」和「st」。
百分比	使用「+N%」或「-N%」，將音調提高或降低「N」%。請注意，值必須包含「%」，但不一定要包含「+/-」。

如要進一步瞭解 prosody 元素，請參閱「W3 規格」。

範例

以下範例使用 <prosody> 元素，以比正常低 2 個半音的語調緩慢說話：

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

<emphasis>

用來在元素內含的文字中加入或移除強調語氣。<emphasis> 元素類似 <prosody>，會修改語音，但不需要設定個別語音屬性。

注意：<emphasis> 標記只能用於完整句子，在句中加上括號可能會導致語音出現不必要的停頓。

此元素支援選用的「level」屬性，有效值如下：

• strong
• moderate
• none
• reduced

如要進一步瞭解 emphasis 元素，請參閱「W3 規格」。

範例

以下範例使用 <emphasis> 元素發表公告：

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

<par>

平行媒體容器，可用來一次播放多個媒體元素。唯一允許的內容是一或多個 <par>、<seq> 和 <media> 組成的一組元素。<media> 元素的順序並不重要。

除非子元素指定了不同的開始時間，否則元素隱含的開始時間會與 <par> 容器的開始時間相同。如果子元素的「begin」或「end」屬性設定了偏移值，該元素的偏移時間會以 <par> 容器的開始時間為基準計算。系統會忽略根 <par> 元素的 begin 屬性，開始時間是 SSML 語音合成程序開始產生根 <par> 元素輸出內容的時間 (也就是實際上的時間「0」)。

注意：這個元素不是標準的 SSML 元素，而是 Text-to-Speech 額外提供的功能。

範例

<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>

一種序列式媒體容器，可用來按順序逐一播放媒體元素。唯一允許的內容是一或多個 <seq>、<par> 和 <media> 組成的一組元素。系統會依照媒體元素的順序逐一轉譯。

子元素的「begin」和「end」屬性可設為偏移值 (請參閱下方的「時間規格」一節)。這些子元素偏移值的計算基準，是序列中前一個元素的結尾；若元素是序列中的第一個項目，則以 <seq> 容器的開頭為基準。

注意：這個元素不是標準的 SSML 元素，而是 Text-to-Speech 額外提供的功能。

範例

<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>

代表 <par> 或 <seq> 元素中的媒體層。允許的 <media> 元素內容為 SSML <speak> 或 <audio> 元素。下表說明 <media> 元素的有效屬性。

注意：這個元素不是標準的 SSML 元素，而是 Actions on Google 平台提供的額外功能。

屬性

屬性	必填	預設值	值
xml:id	否	沒有值	這個元素的專屬 XML ID。不支援編碼實體。允許符合以下規則運算式的 ID 值："([-_#]|\p{L}|\p{D})+"。詳情請參閱「XML-ID」。
begin	否	0	此媒體容器的開始時間。如果為根媒體容器元素，系統會忽略此值 (視為等同於預設值「0」)。若要瞭解有效的字串值，請參閱下方的「時間規格」一節。
end	否	沒有值	此媒體容器的結束時間規格。若要瞭解有效的字串值，請參閱下方的「時間規格」一節。
repeatCount	否	1	一個實數，用於指定要插入媒體多少次。不支援非整數的重複次數，系統會將值四捨五入至最接近的整數。零是無效值，因此系統會視為未指定，並使用預設值。
repeatDur	否	沒有值	一個 TimeDesignation 值，用於限制插入媒體的長度。如果媒體的長度少於此值，則會在值指定的時間點結束播放。
soundLevel	否	+0dB	依照 soundLevel 分貝調整音訊的音量。範圍上限是 +/-40dB，但實際範圍可能更小，而且輸出品質可能無法在整個範圍內都有良好表現。
fadeInDur	否	0s	一個 TimeDesignation 值，若超過這個值，媒體會從無聲淡入到選擇性指定的 soundLevel。如果媒體的長度小於這個值，淡入效果會在結束播放時停止，且音量不會達到指定音量。
fadeOutDur	否	0s	一個 TimeDesignation 值，若超過這個值，媒體會從選擇性指定的 soundLevel 淡出，直到無聲。如果媒體長度小於這個值，系統會將音量值調低，確保在播放結束時達到無聲狀態。

時間規格

用於 <media> 元素和媒體容器 (<par> 和 <seq> 元素) 中「begin」和「end」屬性值的時間規格，可以是偏移值 (例如 +2.5s)，也可以是同步基準值 (例如 foo_id.end-250ms)。

• 偏移值：時間偏移值是一種 SMIL 時間計數值，允許符合以下規則運算式的值："\s\*(+|-)?\s\*(\d+)(\.\d+)?(h|min|s|ms)?\s\*"

  第一組數字字串代表小數的整數部分，第二組數字字串則為小數的小數部分。預設符號 (即「(+|-)?」) 為「+」。單位值分別對應到時、分、秒和毫秒。單位的預設值是「s」(秒)。

• 同步基準值：同步基準值指的是 SMIL 同步基準值，允許符合以下規則運算式的值："([-_#]|\p{L}|\p{D})+\.(begin|end)\s\*(+|-)\s\*(\d+)(\.\d+)?(h|min|s|ms)?\s\*"

  數字和單位的解讀方式與偏移值相同。

<phoneme>

您可以使用 <phoneme> 標記，在文字行內產生字詞的自訂發音。Text-to-Speech 接受 IPA 和 X-SAMPA 表音字母系統。如需支援的語言和音素清單，請參閱音素頁面。

每次套用 <phoneme> 標記，都是用來指定單一字詞的發音：

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

注意：請根據使用的表音字母系統，將 alphabet 欄位設為 ipa 或 x-sampa。例外狀況僅限日文 (須指定為 yomigana) 及中文 (須指定為 pinyin 或 jyutping)。如要查看您的語言支援哪些表音字母系統，請參閱音素頁面。

重音標記

轉錄稿中可標示最多三個等級的重音：

1. 主要重音：在 IPA 中以「/ˈ/」標示，X-SAMPA 中則以「/"/」標示。
2. 次要重音：在 IPA 中以「/ˌ/」標示，X-SAMPA 中則以「/%/」標示。
3. 非重音：不以符號標示 (無論是哪種標示方式)。

部分語言可能少於三個等級，或是完全不標示重音位置。如要查看您的語言適用的重音等級，請參閱音素頁面。重音標記會放在每個重音音節的開頭。以美式英文為例：

範例字詞	IPA	X-SAMPA
water	ˈwɑːtɚ	"wA:t@`
underwater	ˌʌndɚˈwɑːtɚ	%Vnd@"wA:t@

廣泛與狹義語音轉錄

一般來說，語音轉錄應保持概括性，以音素為主。以美式英文為例，會轉錄母音之間的「/t/」，而非使用輕彈音：

範例字詞	IPA	X-SAMPA
butter	ˈbʌtɚ 而非 ˈbʌɾɚ	"bVt@` 而非 "bV4@`

在某些情況下，使用音素表示法會導致 TTS 輸出內容聽起來不自然 (例如音素序列在解剖學上難以發音)。

舉例來說，英文中「/s/」的發聲同化就屬於這個現象。此時，語音轉錄應反映同化現象：

範例字詞	IPA	X-SAMPA
cats	ˈkæts	"k{ts
dogs	ˈdɑːgz 而非 ˈdɑːgs	"dA:gz 而非 "dA:gs

弱化

每個音節都必須包含一個 (且只能有一個) 母音。也就是說，應避免使用音節性子音，而改用弱化母音來轉錄。例如：

範例字詞	IPA	X-SAMPA
kitten	ˈkɪtən 而非 ˈkɪtn	"kIt@n 而非 "kitn
kettle	ˈkɛtəl 而非 ˈkɛtl	"kEt@l 而非 "kEtl

音節劃分

您可以選用「/./」指定音節界線。每個音節都須包含一個 (且僅限一個) 母音。例如：

範例字詞	IPA	X-SAMPA
readability	ˌɹiː.də.ˈbɪ.lə.tiː	%r\i:.d@."bI.l@.ti:

自訂發音字典

除了使用 phoneme 標記提供發音，您也可以在語音合成 RPC 中提供自訂發音字典。如果要求中包含自訂發音字典，輸入文字會自動轉換為標示 SSML phoneme 標記。

舉例來說，下列要求含有文字輸入內容和自訂發音，經過轉換後就等同於下列 SSML。

原始輸入內容：

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

轉換後的輸入內容：

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

持續時間

Text-to-Speech 支援 <say-as interpret-as="duration">，可正確讀出持續時間。舉例來說，以下範例的讀法為「five hours and thirty minutes」：

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

格式字串支援下列值：

縮寫	值
h	hours
m	minutes
s	seconds
ms	milliseconds

<voice>

<voice> 標記可讓您在單一 SSML 要求中使用多個語音。在以下範例中，預設語音是英文男聲。所有字詞都會以這個語音合成，除了「qu'est-ce qui t'amène ici」之外，這句話會使用女聲以法文發音，而非預設語言 (英文) 和性別 (男性)。

<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>

或者，您也可以使用 <voice> 標記指定個別語音 (支援的語音頁面上的「語音名稱」)，而非指定 language 和/或 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>

注意：如果 <voice> 標記指定了語音名稱，則語音類型必須與要求的語音名稱相容。

使用 <voice> 標記時，Text-to-Speech 會預期收到 name (要使用的語音名稱) 或下列屬性的組合。這三項都是選用屬性，但如未提供 name，就必須至少指定一項屬性。

• gender：「male」、「female」或「neutral」擇一。
• variant：根據設定，如果有多種可能使用的語音，這個屬性會成為決定關鍵。
• language：要使用的語言。在指定的 <voice> 標記中，只能指定一種語言，且需使用 BCP-47 格式。如要查看語言的 BCP-47 代碼，請前往支援的語音和語言頁面，查看「語言代碼」一欄。

您也可以使用另外兩個標記 required 和 ordering，控制 gender、variant 和 language 屬性的相對優先順序。

• required：如果指定屬性為 required，但未正確設定，要求就會失敗。
• ordering：ordering 標記後列出的任何屬性都視為偏好屬性，而非必要屬性。Text-to-Speech 會盡可能依照 ordering 標記後列出的順序，考量偏好的屬性。如果偏好的屬性設定有誤，Text-to-Speech 可能仍會傳回有效語音，但是會捨棄錯誤的設定。

以下是使用 required 和 ordering 標記的設定範例：

<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>

您可以使用 <lang>，在同一個 SSML 要求中加入多種語言的文字。除非使用 <voice> 標記明確變更語音，否則所有語言都會以同一種語音合成。xml:lang 字串必須包含 BCP-47 格式的目標語言；這個值列在支援的語音表的「語言代碼」中。在下列範例中，「chat」以法文讀出，而非預設語言 (英文)：

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

Text-to-Speech 會盡量支援 <lang> 標記。即使在同一個 SSML 要求中指定，並非所有語言組合產生的輸出內容都具有相同品質。某些時候，語言組合可能會產生可察覺但很微妙的效果，或導致使用者認為不理想。已知問題：

• <lang> 標記不支援日文漢字，系統會音譯輸入內容，並以中文字元讀出。
• <lang> 標記不支援阿拉伯文、希伯來文和波斯文等閃米特語系，因此會導致輸出內容無聲。如要使用上述任一種語言，建議使用 <voice> 標記切換語音，讀出所需語言 (如有)。

SSML 時間點

Text-to-Speech API 支援在建立的音訊資料中使用時間點。時間點是對應到腳本中指定位置的時間戳記 (以秒為單位，從生成音訊的開頭算起)。您可以使用 <mark> 標記在腳本中設定時間點。音訊生成後，API 會傳回音訊開頭與該時間點之間的時間偏移。

設定時間點的步驟有兩個：

1. 在要取得時間戳記的腳本位置，加入 <mark> SSML 標記。
2. 將 TimepointType 設為 SSML_MARK。如未設定這個欄位，預設就不會傳回時間點。

以下範例會傳回兩個時間點：

• timepoint_1：表示「Mark」一詞在生成的音訊中出現的時間 (以秒為單位)。
• timepoint_2：表示「see」一詞在生成的音訊中出現的時間 (以秒為單位)。

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

風格

預先發布版

這項產品或功能 適用《服務專屬條款》。 正式發布前的產品和功能是按照「原樣」提供，支援範圍可能有限。 詳情請參閱推出階段說明。

下列語音可使用多種風格朗讀：

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

使用 <google:style> 標記控制要使用的風格。此標記只能用於完整句子前後。

範例：

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

name 欄位支援下列值：

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