音频开发 / 系统课时
用 SSML 控制重音与语速
用 SSML 控制重音与语速
SSML 把“怎么读”从普通文本中独立出来:同一句话可以通过标签控制停顿、重音、语速以及数字、日期的朗读方式。本课用一个可迁移的最小写法完成标注,并建立兼容策略,避免把某家合成引擎的私有能力写死在业务文本里。
学习目标
- 能用常见 SSML 标签表达停顿、重音、语速和特殊文本读法
- 能区分标准能力与引擎扩展,设计可降级的兼容层
- 能在提交合成前检查 XML 结构和允许使用的标签
把内容与朗读方式分开
SSML 本质上是一段 XML。根节点通常是 speak,普通文字仍然直接写在节点中;只有需要改变朗读方式的局部内容才增加标签。这样业务文本保持可读,语音表现也能单独调整。
下面示例同时覆盖四类常见控制。break 插入停顿,emphasis 强调关键词,prosody 调整局部语速,say-as 告诉引擎不要按普通文本猜测数字或日期的读法。
<speak>
您的订单已经<emphasis level="strong">支付成功</emphasis>。
<break time="350ms"/>
预计送达时间为
<say-as interpret-as="date" format="ymd">2026-09-14</say-as>。
<prosody rate="90%">请保持电话畅通。</prosody>
</speak>生效行为:支持这些标签的引擎会在“支付成功”处增强重音,在两句话之间增加约 350 ms 停顿,并降低最后一句的语速。具体重音幅度、停顿精度和日期读法仍由引擎实现决定。
重点、速度和停顿怎么配
停顿通常最稳定,因为它只改变时间轴;重音和语速则更依赖音色模型。一个实用原则是:先用标点获得自然韵律,再用 SSML 修正少数异常位置。
break 适合段落切换、播报编号前后的短暂停顿。emphasis 适合真正需要突出语义的词,不适合连续包住整句。prosody 的速度不要一次调整过大,轻微变化更不容易破坏自然度。
数字、日期、时间、货币和缩写是 say-as 最有价值的场景。例如“2026-09-14”可能被读成逐位数字,也可能被识别为日期。通过显式标注,可以减少同一文本在不同上下文中的歧义。
为不同引擎设计兼容层
SSML 有标准语义,但不同合成服务支持的标签、属性和值域并不完全一致。尤其是声音选择、风格、情绪和角色类标签,经常属于厂商扩展,不能假设换一个引擎仍然有效。
兼容处理不要散落在业务代码中。更稳妥的做法是维护“基础能力集 + 引擎适配器”:业务层只表达“强调、慢一点、按日期读”等意图,适配器再映射为目标引擎接受的 SSML。
| 需求 | 优先表达 | 不支持时的降级 |
|---|---|---|
| 短暂停顿 | break |
改用标点或拆句 |
| 关键词强调 | emphasis |
保留普通文本 |
| 调整语速 | prosody |
回退到全局语速参数 |
| 日期或数字读法 | say-as |
预先把文本规范化为可朗读形式 |
提交前做结构预检
引擎最终是否支持某个属性,仍要以对应服务的能力说明和真实合成结果为准;但 XML 是否闭合、是否混入当前项目禁止的标签,可以在本地先检查。下面程序只做“结构与标签白名单”预检,不替代厂商端校验。
from xml.etree import ElementTree as ET
SSML = '''<speak>
您的订单已经<emphasis level="strong">支付成功</emphasis>。
<break time="350ms"/>
<prosody rate="90%">请保持电话畅通。</prosody>
</speak>'''
# 本地白名单表达项目允许的基础 SSML,不等价于具体厂商的完整能力表。
ALLOWED_TAGS = {"speak", "break", "emphasis", "prosody", "say-as"}
def local_name(tag: str) -> str:
# 去掉 XML 命名空间后再比较,兼容带命名空间的 SSML 文档。
return tag.rsplit("}", 1)[-1]
def validate_ssml(ssml: str) -> None:
root = ET.fromstring(ssml)
used = {local_name(node.tag) for node in root.iter()}
unsupported = sorted(used - ALLOWED_TAGS)
if unsupported:
raise ValueError(f"发现未允许标签: {', '.join(unsupported)}")
print("SSML XML 合法;当前兼容集未发现未支持标签。")
if __name__ == "__main__":
validate_ssml(SSML)预期输出:
SSML XML 合法;当前兼容集未发现未支持标签。真正接入 TTS 时,再用目标引擎做一次合成验证:检查请求是否成功、特殊文本是否按预期朗读、停顿是否过长,以及语速变化是否破坏句子连贯性。最可靠的兼容策略不是追求“所有标签都能用”,而是让核心语义在不支持高级 SSML 时仍能自然降级。