Personalizar a voz e o som com a SSML

É possível usar a SSML (Linguagem de Marcação de Síntese de Fala) para especificar a voz, o idioma, o nome, o estilo e a função de conversão de texto em fala para sua saída de fala. Também possível usar várias vozes em um único documento de SSML e ajustar a ênfase, a taxa de fala, o tom e o volume. Além disso, a SSML apresenta o recurso de inserção de áudio pré-gravado, como um efeito sonoro ou uma observação musical.

O artigo mostra como você deverá usar elementos da SSML para especificar voz e som. Para obter mais informações sobre a sintaxe SSML, confira Estrutura e eventos de documentos SSML.

Usar elementos de voz

Pelo menos um elemento voice precisa ser especificado em cada elemento de fala SSML. Esse elemento determina a voz usada para conversão de texto em fala.

Você pode incluir vários elementos voice em um só documento SSML. Cada elemento voice pode especificar uma voz diferente. Você também pode usar a mesma voz várias vezes com configurações diferentes, como ao alterar a duração do silêncio entre frases.

A tabela a seguir descreve o uso dos atributos do elemento voice:

Exemplos de voice

Para obter informações sobre os valores que têm suporte para os atributos do elemento voice, consulte Usar elementos de voz.

Exemplo de voz única

Este exemplo usa a voz en-US-AvaMultilingualNeural.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaMultilingualNeural">
        This is the text that is spoken.
    </voice>
</speak>

Exemplo de várias vozes

Dentro do elemento speak, você pode especificar várias vozes para a saída da conversão de texto em fala. Essas vozes podem estar em idiomas diferentes. Para cada voz, o texto precisa ser encapsulado em um elemento voice.

Este exemplo alterna entre as vozes en-US-AvaMultilingualNeural e en-US-AndrewMultilingualNeural. As vozes neurais multilíngues podem falar diferentes idiomas com base no texto de entrada.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaMultilingualNeural">
        Good morning!
    </voice>
    <voice name="en-US-AndrewMultilingualNeural">
        Good morning to you too Ava!
    </voice>
</speak>

Exemplo de voz personalizada

Para usar sua voz personalizada, especifique o nome do modelo como o nome de voz no SSML.

Este exemplo usa uma voz personalizada chamada my-custom-voice.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="my-custom-voice">
        This is the text that is spoken.
    </voice>
</speak>

Exemplo de efeito de áudio

Você usa o atributo effect para otimizar a experiência auditiva para cenários como carros e telecomunicações. O exemplo SSML a seguir usa o atributo effect com a configuração em cenários de carro.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaMultilingualNeural" effect="eq_car">
        This is the text that is spoken.
    </voice>
</speak>

Exemplo de voz de vários falantes

As vozes de vários falantes permitem conversas naturais e dinâmicas com vários alto-falantes distintos. Essa inovação aprimora o realismo dos diálogos sintetizados preservando o fluxo contextual, a consistência emocional e os padrões de fala naturais.

Use essa funcionalidade para gerar trocas de fala envolventes, no estilo podcast ou de conversação com transições perfeitas entre os palestrantes. Ao contrário dos modelos de conversa única, que sintetizam cada turno isoladamente, as vozes multifalantes mantêm a coerência ao longo do diálogo, garantindo uma experiência de escuta mais autêntica e imersiva.

Quanto ao en-US-MultiTalker-Ava-Andrew:DragonHDLatestNeural, no elemento <mstts:dialog>, você pode especificar cada turno na saída da conversão de texto em fala, com o formato abaixo para as alternativas entre o falante ava e andrew para cada turno.

<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xmlns:mstts='https://www.w3.org/2001/mstts' xml:lang='en-US'>
    <voice name='en-US-MultiTalker-Ava-Andrew:DragonHDLatestNeural'>
        <mstts:dialog>
            <mstts:turn speaker="ava">Hello, Andrew! How's your day going?</mstts:turn>
            <mstts:turn speaker="andrew">Hey Ava! It's been great, just exploring some AI advancements in communication.</mstts:turn>
            <mstts:turn speaker="ava">That sounds interesting! What kind of projects are you working on?</mstts:turn>
            <mstts:turn speaker="andrew">Well, we've been experimenting with text-to-speech applications, including turning emails into podcasts.</mstts:turn>
            <mstts:turn speaker="ava">Wow, that could really improve content accessibility! Are you looking for collaborators?</mstts:turn>
            <mstts:turn speaker="andrew">Absolutely! We're open to testing new ideas and seeing how AI can enhance communication.</mstts:turn>
        </mstts:dialog>
    </voice>
</speak>

Para obter vozes com suporte, consulte a documentação de suporte ao idioma .

Usar estilos e funções de fala

Por padrão, as vozes neurais têm um estilo de fala neutro. Você pode ajustar o estilo de fala, o grau do estilo e a função no nível da frase.

A tabela a seguir descreve o uso dos atributos do elemento mstts:express-as:

A tabela a seguir descreve cada atributo style com suporte:

A tabela a seguir oferece descrições de cada atributo role com suporte.

Exemplos de mstts express-as

Para obter informações sobre os valores que têm suporte para os atributos do elemento mstts:express-as, consulte Usar estilos e funções de fala.

Exemplo de estilo e grau

Use o elemento mstts:express-as para expressar emoções como alegria, empatia e tranquilidade. Otimize também a voz para cenários diferentes, como atendimento ao cliente, noticiário e assistente de voz.

O exemplo de SSML a seguir utiliza o elemento <mstts:express-as> com um grau de estilo sad de 2.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="zh-CN">
    <voice name="zh-CN-XiaomoNeural">
        <mstts:express-as style="sad" styledegree="2">
            快走吧，路上一定要注意安全，早去早回。
        </mstts:express-as>
    </voice>
</speak>

Exemplo de função

Além de ajustar os estilos de fala e o grau de estilo, você também pode ajustar o parâmetro role para que a voz imite uma idade e um gênero diferentes. Por exemplo, uma voz masculina pode aumentar o tom e alterar a entonação para imitar uma voz feminina, mas o nome da voz não é alterado.

Este snippet do SSML ilustra como o atributo role é usado para alterar a encenação para zh-CN-XiaomoNeural.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="zh-CN">
    <voice name="zh-CN-XiaomoNeural">
        女儿看见父亲走了进来，问道：
        <mstts:express-as role="YoungAdultFemale" style="calm">
            “您来的挺快的，怎么过来的？”
        </mstts:express-as>
        父亲放下手提包，说：
        <mstts:express-as role="OlderAdultMale" style="calm">
            “刚打车过来的，路上还挺顺畅。”
        </mstts:express-as>
    </voice>
</speak>

Exemplo de estilo de voz personalizado

Você pode treinar sua voz personalizada para falar com alguns estilos predefinidos, como cheerful, sade whispering. Você também pode ajustar uma voz profissional para falar em um estilo personalizado, conforme determinado pelos dados de treinamento. Para usar seu estilo de voz personalizado no SSML, especifique o nome de estilo que você inseriu anteriormente no Speech Studio.

Este exemplo usa uma voz personalizada chamada my-custom-voice. A voz personalizada fala com o estilo predefinido cheerful e o grau de estilo de 2, e depois com um estilo personalizado chamado my-custom-style e o grau de estilo 0.01.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="en-US">
    <voice name="my-custom-voice">
        <mstts:express-as style="cheerful" styledegree="2">
            That'd be just amazing!
        </mstts:express-as>
        <mstts:express-as style="my-custom-style" styledegree="0.01">
            What's next?
        </mstts:express-as>
    </voice>
</speak>

ID do perfil do locutor

Use o elemento mstts:ttsembedding para especificar a propriedade speakerProfileId para uma voz pessoal. A voz pessoal é uma voz treinada de forma personalizada usando sua própria voz ou a voz do seu cliente. Para obter mais informações, consulte criar uma voz pessoal.

O exemplo SSML a seguir usa o elemento <mstts:ttsembedding> com um nome de voz e uma ID de perfil do locutor.

<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xmlns:mstts='http://www.w3.org/2001/mstts' xml:lang='en-US'>
    <voice xml:lang='en-US' xml:gender='Male' name='PhoenixV2Neural'> 
    <mstts:ttsembedding speakerProfileId='your speaker profile ID here'> 
    I'm happy to hear that you find me amazing and that I have made your trip planning easier and more fun. 我很高兴听到你觉得我很了不起，我让你的旅行计划更轻松、更有趣。Je suis heureux d'apprendre que vous me trouvez incroyable et que j'ai rendu la planification de votre voyage plus facile et plus amusante.  
    </mstts:ttsembedding> 
    </voice> 
</speak> 

Ajustar idiomas de fala

Por padrão, as vozes multilíngues podem fazer a detecção automática do idioma do texto de entrada e falar no idioma da localidade padrão do texto de entrada sem usar o SSML. Opcionalmente, você pode usar o elemento <lang xml:lang> para ajustar o idioma de fala dessas vozes a fim de definir o sotaque preferencial, como en-GB para inglês britânico. Você pode ajustar o idioma de fala no nível da frase e da palavra. Para obter informações sobre os idiomas com suporte para voz multilíngue, consulte Vozes multilíngues com o elemento lang para obter uma tabela mostrando a sintaxe <lang> e as definições de atributos.

A tabela a seguir descreve o uso dos atributos do elemento <lang xml:lang>:

Vozes multilíngues com o elemento lang

Use a seção de vozes multilíngues a fim de determinar para quais idiomas o serviço de Fala dá suporte para cada voz neural, conforme demonstrado na tabela de exemplo a seguir. Se a voz não falar o idioma do texto de entrada, o serviço Speech não emitirá áudio sintetizado.

¹ Vozes multilíngues neurais da Fala de IA do Azure. Todas as vozes multilíngues podem falar no idioma da localidade padrão do texto de entrada sem usar o SSML. No entanto, você ainda poderá usar o elemento <lang xml:lang> para ajustar o sotaque de cada idioma, para definir o preferido, como o sotaque britânico (en-GB) para inglês. O prefixo em cada nome de voz indica sua localidade primária; por exemplo, a localidade primária para en-US-AndrewMultilingualNeural é en-US.

Exemplos de lang

Para obter informações sobre os valores que têm suporte para os atributos do elemento lang, consulte Ajustar idioma de fala.

Você deve especificar en-US como o idioma padrão dentro do elemento speak, se o idioma está ou não ajustado em outro lugar. Neste exemplo, o idioma principal para en-US-AvaMultilingualNeural é en-US.

Este trecho de SSML mostra como usar <lang xml:lang> para falar de-DE com a voz neural en-US-AvaMultilingualNeural.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="en-US">
    <voice name="en-US-AvaMultilingualNeural">
        <lang xml:lang="de-DE">
            Wir freuen uns auf die Zusammenarbeit mit Ihnen!
        </lang>
    </voice>
</speak>

Dentro do elemento speak, você pode especificar várias vozes para a saída en-USda conversão de texto em fala. Para cada idioma ajustado, o texto deve corresponder ao idioma e ser encapsulado em um elemento voice. Este trecho de SSML mostra como usar <lang xml:lang> para alterar os idiomas de fala para es-MX, en-US e fr-FR.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="en-US">
    <voice name="en-US-AvaMultilingualNeural">
        <lang xml:lang="es-MX">
            ¡Esperamos trabajar con usted!
        </lang>
        <lang xml:lang="en-US">
           We look forward to working with you!
        </lang>
        <lang xml:lang="fr-FR">
            Nous avons hâte de travailler avec vous!
        </lang>
    </voice>
</speak>

Ajustar a prosódia

É possível usar o elemento prosody para especificar alterações no tom, no contorno, no intervalo, na taxa e no volume da conversão de texto em fala. O elemento prosody pode conter texto e os seguintes elementos: audio, break, p, phoneme, prosody, say-as, sub e s.

Como os valores de atributo prosódico podem variar em um intervalo maior, o reconhecedor da fala interpreta os valores atribuídos como uma sugestão de quais devem ser os valores prosódicos reais da voz selecionada. A conversão de texto em fala limita ou substitui os valores sem suporte. Entre os exemplos de valores sem suporte estão um timbre de 1 MHz ou um volume igual a 120.

A tabela a seguir descreve o uso dos atributos do elemento prosody:

Exemplos de prosody

Para obter informações sobre os valores que dão suporte aos atributos do elemento prosody, consulte Ajustar prosódia.

Exemplo de alteração da taxa de fala

Este snippet SSML ilustra como o atributo rate é usado para alterar a taxa de fala para 30% a mais do que a taxa padrão.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaMultilingualNeural">
        <prosody rate="+30.00%">
            Enjoy using text to speech.
        </prosody>
    </voice>
</speak>

Exemplo de alteração de volume

Este snippet SSML ilustra como o atributo volume é usado para alterar o volume para 20% a mais do que o volume padrão.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaMultilingualNeural">
        <prosody volume="+20.00%">
            Enjoy using text to speech.
        </prosody>
    </voice>
</speak>

Exemplo de alteração de tom

Este snippet SSML ilustra como o atributo pitch é usado para que a voz fale em um tom alto.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaMultilingualNeural">
        Welcome to <prosody pitch="high">Enjoy using text to speech.</prosody>
    </voice>
</speak>

Exemplo de alteração de variação de tom

Este snippet do SSML ilustra como o atributo contour é usado para alterar a variação.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaMultilingualNeural">
        <prosody contour="(60%,-60%) (100%,+80%)" >
            Were you the only person in the room?
        </prosody>
    </voice>
</speak>

Ajustar ênfase

É possível usar o elemento emphasis opcional para adicionar ou remover a ênfase no nível da palavra do texto. Esse elemento só pode conter texto e os seguintes elementos: audio, break, emphasis, lang, phoneme, prosody, say-as, sub e voice.

A tabela a seguir descreve os atributos do elemento emphasis:

Exemplos de emphasis

Para obter informações sobre os valores que dão suporte aos atributos do elemento emphasis, consulte Ajustar ênfase.

Este trecho de SSML demonstra como você pode usar o elemento emphasis para adicionar ênfase de nível moderado à palavra "reuniões."

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="en-US">
    <voice name="en-US-AndrewMultilingualNeural">
    I can help you join your <emphasis level="moderate">meetings</emphasis> fast.
    </voice>
</speak>

Adicionar um áudio gravado

O elemento audio é opcional. Você pode usá-lo para inserir um áudio pré-gravado em um documento SSML. O corpo do elemento audio pode conter um texto sem formatação ou marcação SSML falada se o arquivo de áudio não estiver disponível ou não puder ser reproduzido. O elemento audio também pode conter um texto e os seguintes elementos: audio, break, p, s, phoneme, prosody, say-as e sub.

Qualquer áudio incluído no documento SSML precisa atender a estes requisitos:

• O áudio precisa estar em um arquivo *.mp3, *.wav, *.opus, *.ogg, *.flac ou *.wma válido.
• O tempo total combinado de todos os arquivos de texto e áudio em uma só resposta não pode exceder 600 segundos.
• O áudio não pode conter nenhuma informação confidencial nem específica do cliente.

A tabela a seguir descreve o uso dos atributos do elemento audio:

Exemplos de audio

Para obter informações sobre os valores que têm suporte para os atributos do elemento audio, consulte Adicionar áudio gravado.

Este trecho da SSML ilustra como utilizar o atributo src para inserir o áudio de dois arquivos .wav.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaMultilingualNeural">
        <p>
            <audio src="https://contoso.com/opinionprompt.wav"/>
            Thanks for offering your opinion. Please begin speaking after the beep.
            <audio src="https://contoso.com/beep.wav">
                Could not play the beep, please voice your opinion now.
            </audio>
        </p>
    </voice>
</speak>

Ajustar a duração do áudio

Use o elemento mstts:audioduration para definir a duração do áudio de saída. Use esse elemento para ajudar a sincronizar o tempo de conclusão da saída de áudio. A duração do áudio pode ser diminuída ou aumentada entre 0.5 e 2 vezes a taxa do áudio original. O áudio original é o áudio sem nenhuma outra configuração de taxa. A taxa de fala é reduzida ou acelerada de acordo com o valor definido.

A configuração de duração do áudio se aplica a todo o texto de entrada dentro do elemento voice que o envolve. Para redefinir ou alterar a configuração de duração do áudio novamente, será necessário usar um novo elemento voice com a mesma voz ou com uma voz diferente.

A tabela a seguir descreve o uso dos atributos do elemento mstts:audioduration:

exemplos de duração de áudio mstts

Para obter informações sobre os valores que dão suporte aos atributos do elemento mstts:audioduration, consulte Ajustar a duração do áudio.

Neste exemplo, o áudio original é de aproximadamente 15 segundos. O elemento mstts:audioduration é utilizado para definir a duração do áudio para 20 segundos ou 20s.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="en-US">
<voice name="en-US-AvaMultilingualNeural">
<mstts:audioduration value="20s"/>
If we're home schooling, the best we can do is roll with what each day brings and try to have fun along the way.
A good place to start is by trying out the slew of educational apps that are helping children stay happy and smash their schooling at the same time.
</voice>
</speak>

Adicionar um áudio de fundo

Use o elemento mstts:backgroundaudio para adicionar um áudio de fundo aos documentos SSML ou combinar um arquivo de áudio com a conversão de texto em fala. Com mstts:backgroundaudio, você pode executar um loop de um arquivo de áudio no fundo, usar fade in no início da conversão de texto em fala e fade out no final dela.

Se o áudio de fundo fornecido for menor do que a conversão de texto em fala ou o fade out, ele executará um loop. Se ele for maior do que a conversão de texto em fala, ele será interrompido quando o esmaecimento for concluído.

Só é permitido um arquivo de áudio de fundo por documento SSML. Você pode intercalar marcas audio dentro do elemento voice para adicionar mais áudio ao documento SSML.

A tabela a seguir descreve o uso dos atributos do elemento mstts:backgroundaudio:

Exemplos de mstss backgroundaudio

Para obter informações sobre os valores que dão suporte aos atributos do elemento mstts:backgroundaudi, consulte Adicionar áudio de fundo.

<speak version="1.0" xml:lang="en-US" xmlns:mstts="http://www.w3.org/2001/mstts">
    <mstts:backgroundaudio src="https://contoso.com/sample.wav" volume="0.7" fadein="3000" fadeout="4000"/>
    <voice name="en-US-AvaMultilingualNeural">
        The text provided in this document are spoken over the background audio.
    </voice>
</speak>

Elemento visema

Visema é a descrição visual de um fonema na linguagem falada. Ele define a posição do rosto e da boca enquanto uma pessoa está falando. Você pode usar o elemento mstts:viseme no SSML para solicitar a saída de visema. Para obter mais informações, confira Obter posição facial com o visema.

A configuração de viseme é aplicada a todo o texto de entrada dentro do elemento delimitador voice. Para redefinir ou alterar a configuração de visema novamente, você precisa usar um novo elemento voice com a mesma voz ou uma voz diferente.

O uso dos atributos do elemento viseme está descrito na tabela a seguir.

Exemplos de viseme

Os valores com suporte para atributos do elemento viseme já foram descritos.

Este snippet SSML ilustra como solicitar as formas de blend com a fala sintetizada.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="en-US">
  <voice name="en-US-AvaNeural">
    <mstts:viseme type="FacialExpression"/>
    Rainbow has seven colors: Red, orange, yellow, green, blue, indigo, and violet.
  </voice>
</speak>

Elemento de conversão de voz

A conversão de voz (versão prévia) é o processo de transformar as características de voz de um determinado áudio em um alto-falante de voz de destino. Após a conversão de voz, o áudio resultante reserva conteúdo linguístico e prosódia do áudio de origem, enquanto o timbre de voz soa como o alto-falante de destino. Para obter mais informações, consulte conversão de voz.

Use a marca <mstts:voiceconversion> por meio da SSML (Speech Synthesis Markup Language) para especificar a URL de áudio de origem e a voz de destino para a conversão. Para obter uma lista completa de vozes de destino com suporte, consulte vozes com suporte para conversão de voz.

A tabela a seguir descreve o uso dos atributos do elemento mstts:voiceconversion:

Veja como funciona a conversão de voz:

• O áudio de origem é um arquivo de áudio pré-gravado que contém as palavras faladas e a prosódia.
  • Conteúdo do texto: a fala sintetizada final segue as palavras faladas no áudio de origem.
  • Prosody e ritmo: a fala mantém o tempo e a entonação da origem.
• A <voice> marca especifica a voz de destino usada para o áudio de saída. Para obter informações sobre as vozes de destino com suporte, consulte vozes com suporte para conversão de voz.
• O áudio de saída mantém o timbre (qualidade de voz e tom) da voz de destino, mas segue o texto e o estilo de fala do áudio de origem.

Exemplos de conversão de voz do mstss

O exemplo a seguir demonstra como usar <mstts:voiceconversion> para sintetizar a fala usando uma voz neural de destino , ao mesmo tempo em que corresponde ao conteúdo e à prosódia de um determinado áudio de origem:

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="en-US">
    <voice xml:lang="en-US" xml:gender="Female" name="en-US-AvaMultilingualNeural">
        <mstts:voiceconversion url="https://your.blob.core.windows.net/sourceaudio.wav"/>
    </voice>
</speak>

Próximas etapas

• Visão geral do SSML
• Estrutura e eventos de documentos SSML
• Idiomas compatíveis e suporte de voz para o serviço de Fala