Przegląd

SSML (Speech Synthesis Markup Language) pozwala kontrolować sposób, w jaki tekst jest czytany na głos. Umożliwia precyzyjne dostrojenie wymowy, tonu, akcentowania i innych elementów, aby tworzyć naturalne i angażujące monity głosowe. Poniżej znajdują się najbardziej przydatne polecenia SSML, których możesz używać w SIP Caller, aby dostosować sposób działania zamiany tekstu na mowę.

Kluczowe polecenia SSML

<speak>

• Cel: Element główny (root) dla całego SSML, zapewniający, że Twój monit jest przetwarzany jako SSML.
• Przykład:

  <speak>Cześć! Jak mogę Ci dziś pomóc?</speak>

<break>

• Cel: Dodaje pauzę w mowie. Użyj tego, aby stworzyć naturalny przepływ konwersacji.
• Atrybuty:
  • time: Czas trwania pauzy (np. "500ms" dla milisekund lub "1s" dla sekund).
• Przykład:

  <speak>Cześć! <break time="500ms"/> Jak mogę Ci pomóc?</speak>

<emphasis>

• Cel: Zmienia akcentowanie określonych słów, aby dodać ekspresję.
• Atrybuty:
  • level: Może być ustawiony na "strong" (mocny), "moderate" (umiarkowany) lub "reduced" (zredukowany).
• Przykład:

  <speak>To jest <emphasis level="strong">bardzo ważna</emphasis> informacja.</speak>

<prosody>

• Cel: Kontroluje wysokość, tempo i głośność wypowiadanego tekstu.
• Atrybuty:
  • rate: Tempo mowy (np. "fast", "slow" lub wartości procentowe).
  • pitch: Wysokość głosu (np. "high", "low" lub "+10%").
  • volume: Poziom głośności (np. "loud", "soft").
• Przykład:

  <speak><prosody rate="slow" pitch="low">Proszę słuchać uważnie.</prosody></speak>

<say-as>

• Cel: Określa typ treści, aby pomóc w wymowie (np. daty, godziny, adresy).
• Atrybuty:
  • interpret-as: Może być ustawiony na "date", "time", "characters", "expletive" itd.
• Przykład:

  <speak>Data to <say-as interpret-as="date">2024-11-08</say-as>.</speak>

<sub>

• Cel: Odczytuje skrót lub akronim w jego pełnej formie słownej.
• Atrybuty:
  • alias: Pełny tekst do odczytania.
• Przykład:

  <speak>SIP Caller używa <sub alias="Session Initiation Protocol">SIP</sub>, aby połączyć się z centralą PBX.</speak>

<p> oraz <s>

• Cel: Definiuje akapity (<p>) i zdania (<s>), aby strukturyzować dłuższe monity dla lepszego tempa wypowiedzi.
• Przykład:

  <speak><p>Witamy w SIP Caller.</p><p>Jak możemy Ci dziś pomóc?</p></speak>

Szybkie wskazówki

• Testuj warianty: Eksperymentuj z kombinacjami <break>, <emphasis> i <prosody>, aby znaleźć najbardziej naturalnie brzmiące monity.
• Zachowaj przejrzystość: Nadmierne użycie SSML może sprawić, że monity będą brzmiały robotycznie. Skup się na przejrzystości i płynności.
• Dostępność: Używaj <say-as> dla dat, godzin i specjalnych wymów, aby zapewnić dokładność.

Efektywnie korzystając z SSML w SIP Caller, możesz dostarczać przejrzyste, profesjonalne i angażujące monity głosowe, które usprawniają interakcje z klientami. Aby uzyskać dalsze możliwości dostosowywania, zapoznaj się z pełną specyfikacją SSML dla Google lub specyfikacją SSML dla Azure i wypróbuj różne konfiguracje z funkcją zamiany tekstu na mowę w SIP Caller.

Uwaga specjalna dotycząca używania SSML z Azure Text-to-Speech

Korzystając z SSML z Azure Text-to-Speech, pamiętaj, że Azure jest bardzo rygorystyczny co do struktury tagów SSML, zwłaszcza w porównaniu z Google Cloud Text-to-Speech, który jest bardziej elastyczny.

Aby Azure TTS działał poprawnie w SIP Caller, musisz jawnie uwzględnić zarówno element główny <speak>, jak i element <voice> w swoim wejściu SSML.

Dodatkowo element <voice> musi określać dokładnie ten sam głos, który jest wybrany dla kampanii w SIP Caller. Jeśli głos zdefiniowany w SSML nie zgadza się z głosem kampanii, Azure może odrzucić żądanie i nie zsyntetyzować dźwięku.

Niezastosowanie się do tej struktury może skutkować błędami syntezy i całkowitym brakiem wygenerowania dźwięku.

Przykład:

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaNeural">
        Dzień dobry. <break time="1s"/> Dzwonimy z firmy ACME. <break time="1s"/> Chcemy potwierdzić Twoją wizytę jutro. <break time="1s"/> Jeśli pojawią się jakiekolwiek problemy z tą wizytą, prosimy o kontakt. Dziękujemy.
    </voice>
</speak>