用電腦合成語音並不新鮮——傳真機、自動撥號器、整合式語音回覆系統(IVR)到處都是,電話更是最普及的應用場景。新變化在於:現在可以用語音合成搭配 XML 技術來傳遞語音訊息了。
傳統系統靠預先錄製的語音樣本、詞典與音素來拼湊出聲音,最大的毛病是缺少連貫性與變化。如果每個單字或音素只有一份錄音,電腦就很難把一句陳述句唸出問句的語調;更別說判斷「何時該用哪種語調」這種事。
為了解決這些問題,W3C 提出了語音合成標記語言(Speech Synthesis Markup Language,SSML)的工作草稿。這套 XML 詞彙讓語音瀏覽器的開發者能控制合成器如何唸出一段文字,例如把指令寫進語音裡,讓合成過程照著執行。
SSML 的根源可以追溯到 Sun 公司的 JSML(Java Speech API Markup Language)研究,目前則是 W3C 語音研究工作組的工作稿。
SSML 的主要目標對象是文轉音(Text-To-Speech,TTS)處理器:吃進一批文字,吐出語音。現有的 TTS 應用已經不少,從電話語音回覆系統到給視障者使用的進階工具都有。
核心困難在於同一段文字的唸法本身就有不確定性。更具體的問題包括縮寫(如 HTML)、以及拼寫與發音不一致的單字(如 subpoena)該怎麼唸。
SSML 規定了文字的基本結構。對 HTML 而言它提供了段落元素,而且走得更遠——還提供了句子元素。藉由標出句子的起訖位置,TTS 引擎能更精準地安排語調與停頓。
除了基本格式,SSML 還能用 say-as 元素指定某個詞語或詞組的唸法,這是它最實用的元件之一。你可以替縮寫指定逐字唸還是當單字唸,可以為發音特殊的單字標注唸法,也能區分數字與日期的讀法。它甚至支援 email 位址、貨幣與電話號碼等型別。
更进一步,SSML 還能提供音標層次的描述,例如標出美式與英式英語對 potato 的發音差異。
幾個進階元素可以讓合成結果更接近真人。voice 用來指定男聲、女聲或中性聲,還能指定年齡——從四歲男孩到七十五歲老婦都在範圍內。emphasis 用來包住需要強調或反而想弱化的一段文字。break 則告訴系統該在哪裡停頓。
SSML 最強的元素是 prosody(韻律)。透過它,你可以指定語調、音高範圍、語速(每分鐘字數)等參數,以特定的方式唸出某段文字。若想更細緻,還能搭配 contour 元素,把音高與語速的變化整合起來,對一段文字的語調曲線做精確定義。
這些能力合起來,讓「用 XML 描述怎麼說話」從不可能變成可規格化的工作。