句子和段落元素。

如需详细了解 p 和 s 元素，请参阅 W3 规范。

示例

This is sentence one.This is sentence two.

指示在发音时用别名属性值中的文本替换所包含的文本。

您还可以使用 sub 元素来提供难读单词的简化发音。下面的最后一个示例演示了这个用例在日语中的应用。

如需详细了解 sub 元素，请参阅 W3 规范。

示例

W3C

将标记置于文本或标记序列中的空元素。它可用于引用序列中的特定位置，或将标记插入输出流以进行异步通知。

Go from  here, to  there!

用于自定义元素中所包含文本的音高、语速和音量。目前支持 rate、pitch 和 volume 属性。

您可以根据 W3 规范设置 rate 和 volume 属性。以下三个选项可用于设置 pitch 属性的值：

注意： 标记只能用于完整句子。将字词包含在句子中可能会导致语音中不希望出现的停顿。

如需详细了解 prosody 元素，请参阅 W3 规范。

示例

以下示例使用 元素以低于正常值 2 个半音的音高缓慢说话：

Can you hear me now?

用于添加或移除元素所含文本中的重音。 元素修改语音的方式与 类似，但不需要设置单独的语音属性。

注意： 标记只能用于完整句子。将字词包含在句子中可能会导致语音中不希望出现的停顿。

此元素支持可选的“等级”属性，其中包含以下有效值：

• strong
• moderate
• none
• reduced

如需详细了解 emphasis 元素，请参阅 W3 规范。

示例

以下示例使用 元素发布公告：

This is an important announcement

允许您一次播放多个媒体元素的并行媒体容器。唯一允许的内容是一个或多个 、 和 元素构成的序列。 元素的顺序并不重要。

除非子元素指定不同的开始时间，否则元素的隐式开始时间与 容器的隐式开始时间相同。如果子元素具有为其开始或结束属性设置的偏移值，则元素的偏移量将是相对于 容器开始时间的值。对于根 元素，开始属性会被忽略，开始时间是 SSML 语音合成过程开始为根 元素生成输出的时间（即生效时间为“零”）。

Who invented the Internet?The Internet was invented by cats.

允许您一个接着一个播放媒体元素的依序媒体容器。唯一允许的内容是一个或多个 、 和 元素构成的序列。媒体元素的顺序是它们的呈现顺序。

子元素的开始和结束属性可以设置为偏移值（请参阅下面的时间规范）。这些子元素的偏移值将是相对于序列中前一个元素结尾的值，序列中第一个元素则是相对于其 容器的开头。

Who invented the Internet?The Internet was invented by cats.

表示 或 元素中的媒体层。 元素的允许内容是 SSML 或 元素。下表说明了适用于 元素的有效属性。

属性

时间规范

用于 元素和媒体容器（ 和 元素）的“开始”和“结束”属性值的时间规范，要么是偏移值（例如 +2.5s），要么是 syncbase 值（例如 foo_id.end-250ms）。

• 偏移值

  - 时间偏移值是 SMIL Timecount-value，允许值匹配以下正则表达式：

  "\s\*(+|-)?\s\*(\d+)(\.\d+)?(h|min|s|ms)?\s\*"
  

  第一个数字字符串是十进制数的整数部分，第二个数字字符串是小数部分。默认符号（即“(+|-)?”）是“+”。单位值分别对应于时、分、秒和毫秒。单位的默认值为“s”（秒）。

• Syncbase 值

  - Syncbase 值是 SMIL syncbase-value，允许值匹配以下正则表达式：

  "([-_#]|\p{L}|\p{D})+\.(begin|end)\s\*(+|-)\s\*(\d+)(\.\d+)?(h|min|s|ms)?\s\*"
  

  数字和单位的解释方式与偏移值相同。

您可使用 标记以内嵌方式生成单词的自定义发音。Text-to-Speech 接受 IPA 和 X-SAMPA 语音字母。请参阅 Phones 页面，查看受支持的语言和音素的列表。

每个 标记的每个应用都指向单个字词的发音：

  manitobamahogany

时长

Text-to-Speech 支持 以适当地读取时长。例如，以下示例会被读作“5 小时 30 分钟”：

5:30

格式字符串支持以下值：

借助 标记，您可以在单个 SSML 请求中使用多个语音。在以下示例中，默认语音是英语男声。除“quest-ce t’améne ici”之外，所有单词都合成到此语音中，它将用法语女声而不是默认语言（英语）和性别（男性）读出来。

And then she asked, qu'est-ce qui
t'amène ici in her sweet and gentle voice.

或者，您可以使用 标记指定单个语音（支持的语音页面上的语音名称），而不用指定language 和/或 gender：

The dog is friendlymais la chat est
mignon said a pet shop
owner

使用 标记时，Text-to-Speech 会接收 name（您要使用的语音名称）或下列属性的组合。全部 3 个属性都是可选属性，如果您未提供 name，则必须提供至少一个属性。

• gender：“男性”、“女性”或“中性”。
• variant：如果根据您的配置确定使用哪种语音时有多种可能性，则用作裁定。
• language：您所需的语言。一个给定的 标记中只能指定一种语言。以 BCP-47 格式指定您的语言。您可以在支持的语音和语言页面上的语言代码列中找到与您的语言对应的 BCP-47 代码。

您还可以使用两个附加标记 required 和 ordering 控制每个 gender、variant 和 language 特性的相对优先级。

• required：如果属性被指定为 required 且配置不正确，则请求将失败。
• ordering：ordering 标记后列出的任何属性都被视为首选属性，而非必需属性。Text-to-Speech API 会尽量按属性在 ordering 标记后面列出的顺序考虑首选属性。如果任何首选属性配置不正确，Text-to-Speech 仍可能返回有效的语音，但丢弃错误的配置。

使用 required 和 ordering 标记的配置示例：

And there it was a flying bird roaring in the skies for the
first time.
Today is supposed to be Sunday Funday.

您可以使用 在同一 SSML 请求中包括多种语言的文本。所有语言都将合成到同一语音中，除非您使用 标记明确更改语音。xml:lang 字符串必须包含 BCP-47 格式的目标语言（此值在支持的语音表中列为“语言代码”）。在下面的例子中，“chat”用法语读出来，而不是用默认语言（英语）：

The french word for cat is chat

Text-to-Speech 会尽量支持 标记。如果在同一 SSML 请求中指定了所有语言组合，则并非所有语言组合都会产生相同的质量结果。在某些情况下，某个语言组合可能会产生可检测到但具有微妙或负面感知性的影响。已知问题：

• 标记不支持带有汉字字符的日语。输入会被直译且读作中文字符。
• 标记不支持闪米特语（如阿拉伯语、希伯来语和波斯语），这些语音导致不读出任何内容。如果要使用上述任一语言，我们建议您使用 标记切换到使用能读出您想使用的语言的语音（如果有）。

SSML 时间点

Text-to-Speech API 支持在您创建的音频数据中使用时间点。时间点是与脚本中指定点对应的时间戳（以秒为单位，从生成音频时开始计算）。您可以使用 标记在脚本中设置时间点。生成音频后，API 会返回音频开始时和时间点之间的时间偏移。

设置时间点需要执行两个步骤：

1. 将 SSML 标记添加到脚本中您希望其获取时间戳的位置。
2. 将 TimepointType 设置为 SSML_MARK。如果未设置此字段，则默认情况下不返回时间点。

以下示例返回两个时间点：

• timepoint_1：表示生成的音频中“Mark”一词出现的时间（以秒为单位）。
• timepoint_2：表示生成的音频中“word”一词出现的时间（以秒为单位）。

Hello  Mark. Good to  see you.