서비스가 단어 시간 지정을 리턴하는 방법

표시 또는 단어 시간 지정 정보를 리턴하기 위해 서비스는 독립적인 바이너리 스트림 및 텍스트 스트림을 다중화하여 응답을 생성합니다.

• 각 <mark> 요소에 대해 서비스는 JSON 텍스트 메시지를 리턴합니다. 각 메시지에는 표시가 발생하는 합성된 오디오의 시작부터 정확한 시간에 표시합니다.
• 모든 문자열에 대한 단어 시간 지정의 경우 서비스는 하나 이상의 JSON 텍스트 메시지를 리턴합니다. 각 메시지에는 합성된 오디오의 시작부터 단어의 배열과 시작 시간 및 종료 시간이 포함됩니다.

서비스가 전송하는 바이너리 스트림 및 텍스트 스트림은 독립적입니다. 따라서 사용자가 텍스트 및 오디오 메시지를 수신하는 시간과 서비스가 제공하는 오디오 청크의 수를 제어할 수 없습니다. 예를 들어, 오디오가 압축되는 속도보다 빨리 합성되는 경우 모든 텍스트 메시지가 오디오 도착 전에 도착할 수 있습니다.

실제적으로 서비스는 각 텍스트 메시지 전후에 오디오의 다중 청크를 포함하여 임의의 오디오 청크 수를 전송할 수 있습니다. 단일 바이너리 청크는 표시 또는 단어에 대한 시간 지정 정보가 앞뒤에 모두 오는 오디오 데이터를 포함할 수도 있습니다.

그러나 시간 지정 정보가 포함된 텍스트 메시지는 항상 해당 오디오가 포함된 바이너리 청크 전에 도착합니다. 또한 오디오 메시지는 2진 결과에서 합성된 텍스트의 완전하고 정확한 오디오를 구성할 수 있도록 항상 순서대로 도착합니다.

SSML 표시 지정

선택적 SSML <mark> 요소는 합성할 텍스트에 마커를 배치하는 비어 있는 태그입니다. <mark> 요소 앞에 있는 모든 텍스트가 합성되었을 때 클라이언트에게 알립니다.

요소는 표시를 고유하게 식별하는 문자열을 지정하는 단일 name 속성을 허용합니다. 이름은 영숫자 문자로 시작해야 합니다. 서비스는 표시가 합성된 오디오의 시작부터 발생하는 시간과 함께 이름을 리턴합니다. 입력 텍스트에 원하는 수의 표시를 포함할 수 있습니다.

다음 JavaScript 코드 스니펫에는 이름이 here인 <mark> 요소의 인스턴스가 포함됩니다.

function onOpen(evt) {
  var message = {
    text: 'Hello <mark name="here"/> world',
    accept: '*/*'
  };
  websocket.send(JSON.stringify(message));
}

표시가 앞에 오는 텍스트의 합성을 완료하면 서비스는 표시가 오디오에서 발생하는 시간(초) 및 표시의 이름을 식별하는 텍스트 메시지를 전송합니다.

{
  "marks": [
    ["here", 0.501]
  ]
}

시간 지정 정보가 포함된 텍스트 메시지는 항상 표시의 위치가 포함된 오디오 청크 전에 도착합니다.

모든 단어에 대한 단어 시간 지정 요청

요청을 위해 서비스에 전달하는 JSON 오브젝트의 선택적인 timings 매개변수는 입력 텍스트의 모든 문자열에 대한 시간 지정 정보를 리턴합니다. 이렇게 하면 입력의 각 단어에 대해 SSML <mark> 요소를 지정하지 않아도 됩니다. 문자열 words가 포함된 배열을 전달하여 단어 시간 지정을 요청합니다. 비어 있는 배열을 지정하거나 매개변수를 생략하여 단어 시간 지정 정보를 수신하지 않습니다.

서비스는 개별 <mark> 요소에 대한 타이밍 정보를 리턴하는 것과 동일한 방법으로 WebSocket 연결을 통해 단어 타이밍을 리턴합니다. 이는 하나 이상의 JSON 텍스트 메시지를 리턴합니다. 각 메시지에는 합성된 오디오의 시작부터 단어의 배열과 시작 시간(초) 및 종료 시간(초)이 포함됩니다. 예를 들어, 다음 예에서는 단어 시간 지정 정보를 요청합니다.

function onOpen(evt) {
  var message = {
    text: 'I have a pet bird.',
    accept: '*/*',
    timings: ['words']
  };
  websocket.send(JSON.stringify(message));
}

응답으로 서비스는 다음 텍스트 메시지를 리턴할 수 있습니다.

{
  "words": [
    [
      "I", 0.0, 0.157
    ],
    [
      "have", 0.157, 0.321
    ],
    [
      "a", 0.321, 0.406
    ]
  ]
}
{
  "words": [
    [
      "pet", 0.406, 0.731
    ],
    [
      "bird.", 0.731, 1.049
    ]
  ]
}

응답은 예일 뿐입니다. 서비스는 입력에 대한 시간 지정 정보가 포함된 하나 이상의 텍스트 메시지를 리턴할 수 있습니다. 또한 입력의 각 단어에 대해 별도의 텍스트 메시지를 리턴할 수 있습니다. 또한 메시지는 오디오의 바이너리 청크가 포함된 응답에 배치될 수 있습니다. 그러나 단어에 대한 시간 지정 정보가 포함된 텍스트 메시지는 항상 해당 단어가 포함된 오디오 청크 전에 도착합니다.

The coldest recorded temperature is -89.2 degrees Celsius in Antarctica on July 21, 1983!

If it is sunny, I will go to the beach.

표시 요소가 포함된 예

다음 예에서는 클라이언트와 서비스 간의 단순 WebSocket 세션을 보여줍니다. 예는 연결 열기가 아닌 데이터 교환에 중점을 둡니다. 클라이언트는 SIMPLE 및 EXAMPLE(이)라는 두 개의 <mark> 요소가 포함된 텍스트 메시지를 전송하고 오디오가 WAV 형식으로 리턴되도록 요청합니다.

{
  "text": "This is a <mark name=\"SIMPLE\"/>simple <mark name=\"EXAMPLE\"/> example.",
  "accept": "audio/wav"
}

서비스는 먼저 메시지를 전송하여 오디오 형식을 확인합니다. 그런 다음 결과가 포함된 여러 개의 메시지를 전송합니다. 서비스는 클라이언트에 전송하는 오디오 청크의 수와 텍스트 및 오디오 메시지가 전달되는 순서를 보장할 수 없습니다.

다음 두 가지 응답이 사용 가능합니다. 각각의 경우, 서비스는 바이너리 스트림에서 표시의 위치를 식별하는 두 개의 텍스트 메시지를 전송합니다. 그러나 오디오가 포함된 임의의 바이너리 메시지 수를 전송합니다. 표시에 대한 시간 지정 정보는 항상 표시의 위치가 포함된 오디오 청크 전에 도착합니다.

• 첫 번째 예제 응답에서 텍스트 메시지에는 여러 오디오 메시지가 산재되어 있습니다.

  {
    "binary_streams": [
      {
        "content_type": "audio/wav"
      }
    ]
  }
  ... One or more chunks of binary audio.
      All audio precedes the SIMPLE mark....
  {
    "marks": [
      [
        "SIMPLE", 0.784
      ]
    ]
  }
  ... One or more chunks of binary audio audio can precede
      and follow the SIMPLE mark.
      All audio precedes the EXAMPLE mark....
  {
    "marks": [
      [
        "EXAMPLE", 1.003
      ]
    ]
  }
  ... One or more chunks of binary audio.
      Audio can precede and follow the EXAMPLE mark....
  

• 두 번째 예제 응답에서 텍스트 메시지가 오디오 메시지 앞에 도착합니다.

  {
    "binary_streams": [
      "content_type": "audio/wav"}
    ]
  }
  {
    "marks": [
      [
        "SIMPLE", 0.784
      ]
    ]
  }
  {
    "marks": [
      [
        "EXAMPLE", 1.003
      ]
    ]
  }
  ... One or more chunks of binary audio....