1、首先，讓我們簡單說明一下為什么要對(duì)標(biāo)記語言進(jìn)行控制設(shè)置。演講是一門藝術(shù)。我們看到很多名人在觀眾面前侃侃而談。我們經(jīng)�？吹腡ED節(jié)目就是非常出色的演講節(jié)目，TED節(jié)目中的演講內(nèi)容也給我們留下來深刻的印象。除了內(nèi)容本身和PPT吸引觀眾以外，演講嘉賓的語速語調(diào)也是非常重要的。演講嘉賓會(huì)知道什么時(shí)間強(qiáng)調(diào)什么內(nèi)容，語速快慢，關(guān)鍵詞等也是非常重要的因素。因此，觀眾需要及時(shí)捕捉到演講嘉賓的語義才能正確理解嘉賓的準(zhǔn)確含義。同樣的道理，語音識(shí)別引擎也需要能夠非常智能地識(shí)別讀音的不同，這樣才能保證識(shí)別出當(dāng)時(shí)的場景和讀者的語氣和語義。

　　在語音識(shí)別引擎的處理過程中，一個(gè)人說話的語氣語調(diào)心情決定了內(nèi)容的輸出結(jié)果，內(nèi)容輸出結(jié)果會(huì)影響整個(gè)系統(tǒng)結(jié)果的判斷。Prosody（韻律結(jié)構(gòu)）簡單來說就是控制語音的壓力模式和讀音語調(diào)。比如，某些人說話時(shí)可能對(duì)某些重點(diǎn)詞語增加了強(qiáng)調(diào)作用，某些詞可能是語速非�？�，或者音量非常高。這些參數(shù)的變化會(huì)導(dǎo)致完全不同的解析結(jié)果，因此能夠智能地判斷出這些相關(guān)參數(shù)是語音識(shí)別中非常重要的功能，也是對(duì)語音識(shí)別準(zhǔn)確率極大挑戰(zhàn)。SSML提供了對(duì)語音語調(diào)的控制支持，它通過對(duì)語音控制的參數(shù)調(diào)整來對(duì)語氣，音量，語速或強(qiáng)調(diào)作用來控制輸出結(jié)果。

　　2、在Prosody邊界參數(shù)設(shè)置中支持了幾個(gè)比較重要的要素標(biāo)簽參數(shù)，通過這些參數(shù)可以對(duì)讀音進(jìn)行有效的控制，這些具體的參數(shù)包括：break，emphasis和voice�，F(xiàn)在我們逐一介紹這些參數(shù)設(shè)置和其具體作用。

　　SSML支持在詞語之間插入一個(gè)<break>來目前表示一個(gè)暫停或語義的邊界。當(dāng)數(shù)據(jù)中沒有支持<break>時(shí)，語音合成服務(wù)器將通過語言邏輯來實(shí)現(xiàn)暫�；虼驍唷�<break>支持兩種屬性：time和strength（強(qiáng)度）。time屬性表示暫停的時(shí)長，以秒或毫秒為單位。strength則表示在輸出語音的暫停的語法強(qiáng)度。其支持的取值范圍包括：none，x-weak，weak，medium （默認(rèn)值），strong或者x-strong。這里注意，time和strength都是可選屬性，如果缺少這兩個(gè)屬性設(shè)置，則表示語音合成服務(wù)器生成break。下面的示例表示暫停3秒以后繼續(xù)合成：

　　< xml version="1.0" encoding="UTF-8" >

　　<speak version="1.0"

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-GB">

　　Take a deep breath and count to three <break time="3s"/>

　　Now we are ready to proceed.

　　</speak>

　　SSML同樣支持一個(gè)強(qiáng)調(diào)功能<emphasis>，它用來表示某些內(nèi)容需要加以強(qiáng)調(diào)或加大語氣，用來突出其重要性。在我們的中文語境中，尤其是某些領(lǐng)導(dǎo)開會(huì)的場合中表現(xiàn)尤為明顯，某些被強(qiáng)調(diào)的詞語更加需要注意。我們需要準(zhǔn)確地了解講話者的內(nèi)容，特別是強(qiáng)調(diào)的內(nèi)容。<emphasis>的目的就是支持這個(gè)功能。當(dāng)然，<emphasis>也可以結(jié)合pitch來實(shí)現(xiàn)更多的語義。<emphasis>僅支持一個(gè)屬性值的設(shè)置，其取值范圍包括：strong, moderate （默認(rèn)設(shè)置），none和reduced。語法示例如下：

　　< xml version="1.0" encoding="UTF-8" >

　　<speak version="1.0"

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-GB">

　　That is the <emphasis level="strong">right</emphasis> answer!

　　</speak>

　　SSML中的<voice>用來表示在讀音中發(fā)出的請(qǐng)求修改讀音。<voice>支持五個(gè)屬性選項(xiàng)，分別是：xml:lang，gender，age，name和variant。xml:lang支持各種語言格式，gender支持男性，女性和中性；age表示讀音者的年齡；name可指定特別語音讀音者名稱；variant通過一個(gè)正整數(shù)表示內(nèi)容中其他屬性推薦的設(shè)置。注意，如果語音合成服務(wù)器中通過<voice>可以完全匹配屬性設(shè)置的數(shù)據(jù)，則使用屬性設(shè)置的數(shù)據(jù)。如果不匹配的話，則需要通過三個(gè)語法判斷的優(yōu)先級(jí)實(shí)現(xiàn)匹配，具體設(shè)置條件可以參考MRCP v2。以下是一個(gè)<voice>示例：

　　< xml version="1.0" encoding="UTF-8" >

　　<speak version="1.0"

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-GB">

　　<voice gender="male">

　　Welcome to online shopping for him

　　</voice>

　　<voice gender="female">

　　and her!

　　</voice>

　　</speak>

　　3、現(xiàn)在我們介紹一下Prosody的控制參數(shù)配置選項(xiàng)，它們分別是：volume，speaking rate 和 pitch。

　　volume顧名思義，此選項(xiàng)來控制聲音的音量大小。他可以是一個(gè)數(shù)值，也可以是一個(gè)相對(duì)控制量，或者也可以是一個(gè)命名標(biāo)識(shí)參數(shù)。其數(shù)值范圍可以是1-100之間；相對(duì)控制量通過數(shù)字前加+或-來調(diào)整其量；命名標(biāo)識(shí)規(guī)范的取值為silent， x-soft，soft，medium，loud,，x-loud或default。示例如下：

　　< xml version="1.0" encoding="UTF-8" >

　　<speak version="1.0"

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-GB">

　　Please consult our website for job vacancies.

　　<prosody volume="soft">

　　ACME is an equal-opportunities employer

　　</prosody></speak>

　　speaking rate（讀音速率）有速率和長度來控制。rate可以通過相對(duì)數(shù)值定義或者命名標(biāo)識(shí)來定義。相對(duì)數(shù)值可以通過+或-來調(diào)整其相對(duì)數(shù)量值。規(guī)范的命名標(biāo)識(shí)值可以是x-slow，slow，medium，fast， x-fast或default。這里的默認(rèn)的值是正常語速。

　　< xml version="1.0" encoding="UTF-8" >

　　<speak version="1.0"

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-IE">

　　Please select an option from the following.

　　<prosody rate="-30%">

　　Press 1 for sales or press 2 for support.

　　</prosody>

　　Otherwise hold the only line and a customer

　　service representative will be with you shortly.

　　</speak>

　　pitch 通常的中文含義是音高。通常情況下，它使用一個(gè)標(biāo)識(shí)和取值范圍來表示。它帶有一個(gè)基音取值（base pitch）表示講話人語音的平均頻率。pitch取決于兩個(gè)標(biāo)識(shí)符，一個(gè)是note，另外一個(gè)是note值。例如，我們通常所說的A4紙，實(shí)際上A表示一個(gè)標(biāo)識(shí)，4表示一個(gè)音頻值。如果是A2的話，則表示范圍值為2（4-2）。其單位是Hertz （Hz）。每個(gè)標(biāo)識(shí)（note）都對(duì)應(yīng)一個(gè)振動(dòng)頻率值或一個(gè)周期（每秒）。同樣，在SSML屬性設(shè)置中，pitch也可以支持相對(duì)取值方式和標(biāo)識(shí)方式。其相對(duì)取值設(shè)置是通過+或-然后加一個(gè)數(shù)字取值來定義，例如+4或70%。其標(biāo)識(shí)取值可支持的標(biāo)識(shí)為x-low, low，medium，high，x-high或default。其語法格式示例如下：

　　< xml version="1.0" encoding="UTF-8" >

　　<speak version="1.0"

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-IE">

　　<prosody pitch="x-high">

　　When it hurts, I speak in a high-pitched voice!

　　</prosody>

　　</speak>

　　pitch可以通過contour這個(gè)屬性來實(shí)現(xiàn)一些高級(jí)功能或高級(jí)控制方式，通過指定時(shí)間位置來分階段調(diào)整語音的屬性。通過（time-position, pitch-target）來加以定義區(qū)分。當(dāng)然，這里的time-position是從0%到100%。例如：

　　< xml version="1.0" encoding="UTF-8" >

　　<speak version="1.0"

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-IE">

　　<prosody contour="（0%,+10Hz） （50%,+50Hz） （100%,-50Hz）">

　　Life is full of ups and downs.

　　</prosody>

　　</speak>

　　4、SSMl支持一個(gè)標(biāo)識(shí)符功能（marker），此功能可以通過<mark>元素添加到標(biāo)識(shí)語言中。<mark>僅要求一個(gè)屬性name值，此值來設(shè)定一個(gè)標(biāo)識(shí)符的名稱。在MRCP協(xié)議中，當(dāng)語音合成資源服務(wù)器輸出的已渲染的輸出語音數(shù)據(jù)遇到有標(biāo)識(shí)符<mark>時(shí)，服務(wù)器端會(huì)在Speech-Marker頭域中插入一個(gè)帶標(biāo)識(shí)符名稱的SPEECH-MARKER事件，然后把此事件發(fā)送到MRCP客戶端。當(dāng)激活打斷功能以后，marker可以用來決定被渲染的語音數(shù)量。標(biāo)識(shí)符消息也是非常有用的數(shù)據(jù)，它可以在數(shù)據(jù)內(nèi)容中決定一些被播放的非常重要的語音或在內(nèi)容中標(biāo)識(shí)一個(gè)位置，這些位置上的語音可能需要稍晚重啟播放。

　　< xml version="1.0" encoding="UTF-8" >

　　<speak version="1.0"

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-GB">

　　<mark name="before-ad"/>

　　<audio src="advertisement.wav"/>

　　<mark name="after-ad"/>

　　Please select from the following options.

　　</speak>

　　SSML可以支持兩種metadata容器元素，其支持的格式為：<meta> element 和<metadata>element。<meta>是相對(duì)比較舊的格式，支持的語法格式比較簡單，我們這里不做太多介紹。<metadata>則是一個(gè)比較新的格式，它可以支持更多標(biāo)準(zhǔn)的，功能強(qiáng)大的機(jī)制來設(shè)定metadata數(shù)據(jù)。在目前的版本中，SSML僅支持<metadata>的格式。<metadata>是一種容器的XML元素格式，容器元素中可以包含一個(gè)文件（XML），文件中包含數(shù)據(jù)信息內(nèi)容。SSML技術(shù)細(xì)節(jié)推薦使用XML的RDF（Resource Description Framework）語法結(jié)合Dublin Core Metadata Initiative（定義標(biāo)準(zhǔn)metadata屬性）構(gòu)成文件信息內(nèi)容。Dublin Core Metadata Initiative提供標(biāo)準(zhǔn)的metadata屬性內(nèi)容，例如抬頭，標(biāo)題和創(chuàng)建者信息等數(shù)據(jù)內(nèi)容。以下示例是使用了RDF和Dublin Core Metadata Initiative來完成對(duì)XML語法數(shù)據(jù)構(gòu)建：

　　< xml version="1.0" encoding="UTF-8" >

　　<speak version="1.0"

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-GB">

　　<metadata>

　　<rdf:RDF

　　xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"

　　xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#"

　　xmlns:dc="http://purl.org/dc/elements/1.1/">

　　<rdf:Description

　　rdf:about="http://www.example.com/meta.xml"

　　dc:Title="Online banking welcome"

　　dc:Description="Provides a welcome message"

　　dc:Publisher="D Burke"

　　dc:Language="en-US"

　　dc:Date="2006-02-02"

　　dc:Rights="Copyright （c） D Burke"

　　dc:Format="application/ssml+xml" >

　　<dc:Creator>

　　<rdf:Seq ID="CreatorsAlphabeticalBySurname">

　　<rdf:li>Dave Burke</rdf:li>

　　</rdf:Seq>

　　</dc:Creator>

　　</rdf:Description>

　　</rdf:RDF>

　　</metadata>

　　Welcome to online banking.

　　</speak>

　　5、在本章節(jié)的分享中，我們重點(diǎn)介紹了Prosody中的break來支持詞語之間的邊界控制，我們還介紹了使用emphasis強(qiáng)調(diào)元素來對(duì)某些詞語進(jìn)行強(qiáng)調(diào)，同時(shí)我們還介紹了非常重要的vicoe元素，使用此屬性來設(shè)置播放性別，年齡，語言種類等相關(guān)參數(shù)。另外，我們對(duì)Prosody中的控制參數(shù)做了詳細(xì)說明以及其控制參數(shù) voume，speak rate，pitch的使用方式。最后，筆者介紹了如何使用標(biāo)記符對(duì)某些特定內(nèi)容進(jìn)行標(biāo)記，還有metadata中文件的格式和其數(shù)據(jù)構(gòu)成進(jìn)行了介紹。通過Prosody中屬性參數(shù)的介紹，筆者已經(jīng)把語音合成標(biāo)記語言的基本數(shù)據(jù)格式做了一個(gè)完整的介紹，為讀者起到了拋磚引玉的作用，也為未來其他章節(jié)的學(xué)習(xí)打下一個(gè)良好的基礎(chǔ)。

　　參考資料：https://www.ibm.com/support/knowledgecenter/en/SSMQSV_6.1.1/com.ibm.voicetools.ssml.doc/ssml_pitch.html 　　WU Zhiyong：A Unified Framework for Multilingual Text-to-Speech Synthesis with SSML Specification as Interface