SSML 要素

サポートされている要素と属性

表 1 に、SSML 要素と属性に対するサービスのサポートの要約を示します。

• 完全 は、その要素または属性がサービスの HTTP インターフェースおよび WebSocket インターフェースで完全にサポートされていることを意味します。
• 「一部」 は、エレメントまたは属性に対するサービスのサポートが以下のいずれかの方法で制限されることを意味します。
  • サービスは、要素または属性の一部の側面のみをサポートします。
  • サービスは、一部の音声のみを含むエレメントまたは属性をサポートします。
  • サービスは、そのインターフェースの 1 つ (HTTP または WebSocket) のみを使用してエレメントまたは属性をサポートします。
• なし は、その要素および属性がサービスでサポートされていないことを意味します。

以下のセクションでは、例、制約事項、サービスのサポートが標準 SSML と異なるかどうかなど、各要素または属性について説明します。 属性と値のサポートが SSML 仕様とわずかに異なるところです。 詳しくは W3CSpeech Synthesis Markup Language(SSML)Version1.11をご覧ください。

<audio>エレメント

この<audio>要素は、記録された要素をサービス生成音声に挿入します。 これはサポートされていません。

<break>エレメント

<break>エレメントは、発話されたテキストに一時停止を挿入します。 以下のオプション属性があります。

• strength。強度を示す多様な値を使用して休止の長さを指定します。
  • none: 処理中に生成される可能性がある中断を抑制します。
  • x-weak、weak、medium、strong、または x-strong: 右に行くに従って強くなる中断を挿入します。
• time。秒またはミリ秒単位で休止の長さを指定します。 有効な値の形式は、秒の場合は {integer}s、ミリ秒の場合は {integer}ms です。

Break size <break strength="none"/> no pause
Break size <break strength="x-weak"/> x-weak pause
Break size <break strength="weak"/> weak pause
Break size <break strength="medium"/> medium pause
Break size <break strength="strong"/> strong pause
Break size <break strength="x-strong"/> x-strong pause
Break size <break time="1s"/> one-second pause
Break size <break time="1500ms"/> 1500-millisecond pause

<desc>エレメント

<desc>エレメントは、<audio>エレメント内にのみ指定できます。 <audio>エレメントはサポートされないため、<desc>エレメントもサポートされません。

<emphasis>エレメント

<emphasis> 要素は、式のニューラル音声でのみ使用できます。

式のニューラル音声では、 <emphasis> 要素を使用して、入力テキストの 1 つ以上の単語を強調したり、強調解除したりすることができます。 このエレメントは、以下のいずれかの値を受け入れるオプションの level 属性をサポートします。

• none-そうしないと強調される可能性があるテキストをサービスが強調しないようにします。
• moderate-テキストに顕著な強調を提供します。 level 属性を省略すると、このレベルがデフォルトになります。
• strong-中程度のレベルで提供されるよりも、テキストに対してより多くの強調を提供します。
• reduced-音声でテキストの重要度を下げる傾向があるため、テキストの重要度を重視しません。 このレベルは、テキストの強調の逆です。

以下の例では、 moderate レベルをワード give に適用します。

I am going to <emphasis level="moderate">give</emphasis> her the book.

詳しくは、 単語の強調 を参照してください。

<express-as>エレメント

<express-as> エレメントは、 Text to Speech サービスに固有の SSML 拡張機能です。 これは、表現型のニューラル音声でのみ使用できます。

感情表出のニューラル音声では、 <express-as> 要素を使用して発話スタイルを適用し、入力テキストのすべてまたは一部について特定の特性に対するサービスの強調を強化することができます。 このエレメントは、以下のいずれかの発話スタイルを受け入れる必須の style 属性をサポートします。

• cheerful-幸福と良いニュースを表示します。
• empathetic-共感と同情を表します。
• neutral-客観性と偶数性を示します。
• uncertain-混乱と不確実性を解消します。

以下の例では、 cheerful スタイルを入力テキスト全体に適用します。

<express-as style="cheerful">Oh, that's good news! I'm glad that we could help.</express-as>

詳しくは、 発話スタイルの使用 を参照してください。

<lexicon>エレメント

この<lexicon>エレメントは、指定された SSML 文書の発音辞書を導入します。 これはサポートされていません。

サービスのカスタマイズ・インターフェースを使用して、音声合成時に使用するカスタム項目 (単語/トランスレーションのペア) の辞書を定義できます。 詳しくは、カスタマイズの理解を参照してください。

<mark>エレメント

<mark>エレメントは、サービスの WebSocket インターフェースによってのみサポートされ、そのエレメントを無視する HTTP インターフェースによってはサポートされません。 詳しくは、SSML マークの指定を参照してください。

<mark>要素は、合成されるテキスト内にマーカーを配置する空の要素です。 <mark>要素の前にあるすべてのテキストが合成されると、クライアントに通知されます。 この要素は、マークを一意的に識別するストリングを指定する単一の name 属性を受け入れます。この名前の先頭は英数字にする必要があります。 合成音声内でマークが出現する時間とともに名前が返されます。

Hello <mark name="here"/> world.

<meta>エレメントと<metadata>エレメント

<meta>エレメントと<metadata>エレメントは、文書に関する情報を入れることができるコンテナーです。 サポートされていません。

<paragraph>エレメントと<sentence>エレメント

<paragraph> (または<p>) エレメントと<sentence> (または<s>) エレメントは、テキスト構造に関するヒントを提供するために使用できるオプション・エレメントです。 <paragraph>要素または<sentence>要素で囲まれているテキストが文の終わりの句読文字 (ピリオドなど) で終了しない場合、サービスは、合成音声に通常より長い一時停止を追加します。

どちらの要素も、有効な属性は、言語を切り替えるための xml:lang のみです。 この属性はサポートされていません。

<paragraph>
  <sentence>Text within a sentence element.</sentence>
  <s>More text in another sentence.</s>
</paragraph>

<phoneme>エレメント

<phoneme>エレメントは、囲まれたテキストの発音を提供します。 表音つづりによって、単語の音、音を構成する音節、強勢が置かれる音節を表せます。 この要素には、以下の 2 つの属性があります。

• alphabet。使用する音韻体系を指定するオプション属性です。 サポートされる表音文字は以下のとおりです。

  • 標準の International Phonetic Alphabet (IPA): alphabet="ipa".
  • IBM Symbolic Phonetic Representation (SPR): alphabet="ibm".

  表音文字を指定しなかった場合、サービスはデフォルトとして IBM の SPR を使用します。 詳しくは、 表音記号について を参照してください。

• ph。指定されている表音文字で発音を指定する必須属性です。 次の例は、tomato という単語の発音を両方の形式で表したものです。

  • IPA 形式の場合

    <phoneme alphabet="ipa" ph="təˈmeɪ.ɾoʊ">tomato</phoneme>
    

  • IPA 形式でユニコード記号を使用する場合

    <phoneme alphabet="ipa" ph="t&#x0259;&#x02C8;me&#x026A;.&#x027E;o&#x028A;">tomato</phoneme>
    

  • IBM SPR 形式の場合:

    <phoneme alphabet="ibm" ph=".0tx.1me.0Fo">tomato</phoneme>
    

<phoneme>エレメントで SPR および IPA 表記を使用する方法について詳しくは、表音記号についてを参照してください。

<prosody>エレメント

<prosody>要素は、テキストのピッチと発話速度を制御します。 すべての属性はオプションですが、エレメントで少なくとも 1 つの属性を指定しないと、エラーが発生します。

このサービスは、SSML 仕様の以下の 2 つの属性をサポートします。

• pitch属性
• rate属性

SSML 仕様には、サービスがサポートしていない以下の 4 つの属性も用意されています。

• contour属性
• range属性
• duration属性
• volume属性

サービスは、音声合成要求のすべてのテキストの速度とピッチを調整できる照会パラメーターもサポートします。 パラメーターと、 <prosody> エレメントの pitch 属性および rate 属性との相互作用について詳しくは、以下を参照してください。

• 発話速度の変更
• 発話ピッチの変更

<prosody pitch="150Hz">Transpose pitch to 150 Hz</prosody>
<prosody pitch="-20Hz">Lower pitch by 20 Hz from baseline</prosody>
<prosody pitch="+20Hz">Increase pitch by 20 Hz from baseline</prosody>
<prosody pitch="-10%">Decrease pitch by 10 percent</prosody>
<prosody pitch="+10%">Increase pitch by 10 percent</prosody>
<prosody pitch="-12st">Lower pitch by 12 semitones from baseline</prosody>
<prosody pitch="+12st">Increase pitch by 12 semitones from baseline</prosody>
<prosody pitch="x-low">Lower pitch by 12 semitones from baseline</prosody>

<prosody rate="50">Set speaking rate to 50 words per minute</prosody>
<prosody rate="-5%">Decrease speaking rate by 5 percent</prosody>
<prosody rate="+5%">Increase speaking rate by 5 percent</prosody>
<prosody rate="slow">Decrease speaking rate by 25%</prosody>
<prosody rate="fast">Increase speaking rate by 25%</prosody>

<say-as>エレメント

<say-as>エレメントは、エレメント内に含まれるテキストのタイプに関する情報を提供し、テキストをレンダリングするための詳細レベルを指定します。

• この要素には、1 つの必須属性 interpret-as があります。この属性は、囲まれているテキストの解釈方法を指定します。
• このエレメントには、formatとdetailの 2 つのオプション属性があります。これらは、以下の例に示すように、interpret-as属性の特定の値でのみ使用されます。

このサービスは、以下の言語で<say-as>エレメントをサポートします。

• このサービスは、米国英語の<say-as>エレメントを完全にサポートします。
• その他のほとんどの言語の場合、サービスでは、要素の digits 属性と letters 属性のみがサポートされます。
• 日本語の場合、サービスがサポートするのは digits 属性のみです。 サービスは、数字のストリングに含まれている非数字を無視します。

サービスの英字、数字、および英数字のストリングのデフォルトの発音は、言語によって異なり、各言語には独自のルールがあります。 <say-as> エレメントを使用すると、ストリングの発音方法を制御できます。これには、 letters エレメントと digits エレメントを使用してストリングを個々の文字としてスペルアウトするかどうかなどが含まれます。

ドイツ語の場合は、サービスが文字を発音するペースを制御することもできます。 詳しくは、 ストリングのスペルアウト方法の指定 を参照してください。

Super Bowl <say-as interpret-as="cardinal">49</say-as>
Super Bowl <say-as interpret-as="cardinal">XLIX</say-as>

<say-as interpret-as="date" format="mdy">12/17/2005</say-as>
<say-as interpret-as="date" format="ymd">2005/12/17</say-as>
<say-as interpret-as="date" format="dmy">17/12/2005</say-as>
<say-as interpret-as="date" format="ydm">2005/17/12</say-as>
<say-as interpret-as="date" format="my">12/2005</say-as>
<say-as interpret-as="date" format="md">12/17</say-as>
<say-as interpret-as="date" format="ym">2005/12</say-as>

<say-as interpret-as="digits">123456</say-as>

<say-as interpret-as='interjection' enabled='false'>Oh</say-as>, in addition, the <say-as interpret-as='interjection' enabled='false'>aha</say-as> wasp is endemic to Australia.

<say-as interpret-as="letters">Hello</say-as>

<say-as interpret-as="number">123456</say-as>
<say-as interpret-as="number" format="cardinal">123456</say-as>
<say-as interpret-as="number" format="ordinal">123456</say-as>

<say-as interpret-as="number" format="telephone">555-555-5555</say-as>
<say-as interpret-as="number" format="telephone" detail="punctuation">555-555-5555</say-as>

<say-as interpret-as="ordinal">2</say-as>
<say-as interpret-as="ordinal">1</say-as>

<say-as interpret-as="vxml:boolean">true</say-as>
<say-as interpret-as="vxml:boolean">false</say-as>

<say-as interpret-as="vxml:currency">USD45.30</say-as>

<say-as interpret-as="vxml:currency">USD45.329</say-as>

<say-as interpret-as="vxml:date">20050720</say-as>
<say-as interpret-as="vxml:date">????0720</say-as>
<say-as interpret-as="vxml:date">200507??</say-as>

<say-as interpret-as="vxml:time">1230</say-as>
<say-as interpret-as="vxml:time">1230a</say-as>
<say-as interpret-as="vxml:time">1230p</say-as>
<say-as interpret-as="vxml:time">0100h</say-as>

<say-as interpret-as="vxml:phone">555-555-5555</say-as>

<speak>エレメント

サービスは SSML フラグメント (完全な XML ヘッダーが含まれていない SSML 要素) をサポートしています。 <speak> 要素は、サービスに渡す SSML ではオプションです。

<speak>要素は、SSML 文書のルート要素です。 有効な属性は、以下のとおりです。

• version。SSML 仕様を指定する必須属性です。 受け入れられる値は 1.0 です。
• xml:lang。サービスに必要ありません。 この要素を使用するときはこの属性を省略します。 この属性を使用して音声合成要求の言語を変更することはできないことに注意してください。
• xml:base。効果がありません。
• xmlns。サービスに必要ありません。 この要素を使用するときはこの属性を省略します。

<speak version="1.1">
  The text to be spoken.
</speak>

<sub>エレメント

<sub> 要素は、alias属性によって指定されたテキストが、音声合成時に要素内で囲まれたテキストを置き換えることを示します。 alias 属性は、この要素の唯一の属性であり、必須です。

<sub alias="International Business Machines">IBM</sub>

<voice>エレメント

この<voice>エレメントは、音声の変更を要求します。 これはサポートされていません。