在前面的幾個章節(jié)中，我們花費(fèi)了很多時間在討論一些關(guān)于智能語音機(jī)器人開發(fā)中的重要協(xié)議MRCP, 以及基本框架和基礎(chǔ)知識。在以前的講座中，我們簡單介紹了MRCP的背景，技術(shù)架構(gòu)，媒體資源服務(wù)器的類型，和其控制協(xié)議。筆者通過完整的框架介紹，讀者可以已經(jīng)基本了解了MRCP的大概處理流程。通過前面的熱身階段的介紹，我們才能真正開始深入的其他方面的知識。這些深入的細(xì)節(jié)能夠幫助用戶徹底了解MRCP協(xié)議。因此，我們?nèi)匀贿�需要了解更多關(guān)于MRCP的數(shù)據(jù)呈現(xiàn)或表達(dá)的格式（SSML，NLSML和PLS），媒體資源服務(wù)器的處理方式（TTS/SS，ASR，SR和SVI），以及一些關(guān)于語音識別的應(yīng)用。從本章節(jié)開始，我們將逐步討論MRCP的數(shù)據(jù)格式的具體細(xì)節(jié)。今天，筆者先和大家分享語音合成標(biāo)記語言（SSML）的第一部分。

　　1、大家知道，媒體資源服務(wù)器需要通過講話人的輸入數(shù)據(jù)來作為處理數(shù)據(jù)，媒體資源服務(wù)器不僅要支持普通的文本格式也可以支持帶標(biāo)識的文本格式。MRCP支持了W3C的語音合成標(biāo)識語言（SSML）。目前SSML的最新版本是1.1版本。最初，SSML細(xì)節(jié)是基于升陽公司的JSGF和JSML發(fā)展而成。W3C發(fā)布了很多關(guān)于標(biāo)識語言的細(xì)節(jié)，SSML僅是其其中一個部分。

　　SSML是一種標(biāo)準(zhǔn)的，基于XML的標(biāo)識，使用這些標(biāo)識來命令語音合成服務(wù)器把書寫格式的語言（輸入）轉(zhuǎn)化成可讀的輸出結(jié)果。簡單來說，就是把帶有一定文字標(biāo)識格式的文本語言轉(zhuǎn)化成可讀的輸出結(jié)果。SSML設(shè)計的最初目的就是為了幫助開發(fā)人員提高合成結(jié)果的內(nèi)容，通過其格式化，標(biāo)準(zhǔn)化的標(biāo)識方式來控制語音輸出的各種屬性，例如發(fā)音，音量等參數(shù)設(shè)置。因此，設(shè)計的幾個關(guān)鍵要素我們這里需要說明。以下是SSML的六大設(shè)計要求：

　　2、因?yàn)�，SSML是一種標(biāo)識語言，所以必須具備一定的文件結(jié)構(gòu)。其基本的文件結(jié)構(gòu)如下：

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"

　　xsi:schemaLocation="http://www.w3.org/2001/10/synthesis

　　http://www.w3.org/TR/speech-synthesis/synthesis.xsd"

　　xml:lang="en-GB">

　　Hello world!

　　所有的SSML文件都需要的root元素標(biāo)簽入口。因?yàn)槠�幅的關(guān)系，更多完整的關(guān)于SSML的語法格式，用戶可以參考W3C官方文檔，我們不做太多說明。這里，我們僅介紹一些常用的語法標(biāo)識。以下是關(guān)于SSML標(biāo)簽和屬性設(shè)置的比較完整的參數(shù)設(shè)置，如果讀者想了解最新的標(biāo)識參數(shù)設(shè)置，讀者可以到官方獲取。

　　3、SSML具有非常強(qiáng)大的功能支持，比較典型的功能就是錄音文件播放功能。其具體的實(shí)現(xiàn)方式是通過一個

　　在具體的使用場景中，我們可以通過語音合成的形式，提供文本數(shù)據(jù)以后，通知系統(tǒng)播放一個提前錄制的語音文件，這里的beep文件就是提前錄制的語音文件。

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-GB">

　　Please say your name after the beep. // 聽到beep提醒聲音后，說出本人名字

　　同樣，SSML也可以非常靈活地提供一個回退功能，如果某些語音文件路徑不正確或者播放失敗的話，SSML可以提供一個可選功能，系統(tǒng)可以實(shí)現(xiàn)文字合成功能，SSML會自動播放文字合成的語音，這樣會提升用戶體驗(yàn)。具體示例如下：

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-GB">

　　Welcome to AJAX, the asynchronous company.

　　在上面的示例中，如果company-intro語音文件播放失敗的話，SSML會自動合成文字：Welcome to AJAX, the asynchronous company，然后播放。這里提醒用戶，在以前的SSML版本中不能支持提取語音文件超時等控制參數(shù)。在SSML 1.1中和拓展SSML中獲得了支持，這些參數(shù)包括：fetchtimeout，fetchhint，maxage和maxstale。這些參數(shù)可以用來控制語音提取超時設(shè)置。

　　4、現(xiàn)在讓我們看看SSML是如何實(shí)現(xiàn)對語音的發(fā)音的控制。首先說明，筆者對語音學(xué)方面的知識不是太了解，我們也沒有專門針對語音學(xué)做更多研究，這里為了配合MRCP協(xié)議的研究做了一點(diǎn)簡單的補(bǔ)充，某些表達(dá)和翻譯可能不是太準(zhǔn)確，如果讀者需要了解更多關(guān)于語音學(xué)方面的知識，讀者可以參考權(quán)威的語音學(xué)資料。在MRCP協(xié)議中，SSML是通過元素標(biāo)簽對發(fā)音進(jìn)行控制，它可以支持插入的文字進(jìn)行不同的播放形式，支持的播放形式包括：phonemic或phonetic的形式。phonemic 字母組成一個phoneme單元，相對比較微觀，它是語言獨(dú)立的語音單元，表達(dá)的所有聲音需要區(qū)別于其他的單詞。phonetic字母則組成了phone單元，它是一種語言相關(guān)的語音單元，字符的表達(dá)方式和位置都會影響人類語音的發(fā)音區(qū)域，具體的使用方式例如國際音標(biāo)。通常情況下，在語音合成部署環(huán)境中，SSML會支持 International Phonetic Alphabet （IPA），中文全稱是國際音標(biāo)。國際音標(biāo)通過可Unicode的方式來實(shí)現(xiàn)，Unicode也是國際通用的語言實(shí)現(xiàn)標(biāo)準(zhǔn)格式。

　　一些商業(yè)語音合成解決方案為了體現(xiàn)其解決方案的優(yōu)勢，也可能添加一些特別字母或其他的商業(yè)字母支持的格式。元素標(biāo)簽就可以增加對其渲染的支持，例如一些不同于其他語言的專有名詞或短語。例如以下示例：

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-US">

　　ph="t mei ou ">

　　tomato

　　這里使用了國際音標(biāo)來定義tomato。具體關(guān)于tomato的發(fā)音需要根據(jù)ph屬性值來獲取。用戶可以參考 International Phonetic Association來查看如何定義ph屬性。語音識別廠家通過"x-organization" 或"x-organization-alphabet"來定義，例如，日本的一家語音合成廠家的定義值為x-JEITA-IT-4002。

　　5、SSML在發(fā)音處理方面還有兩個比較實(shí)用的功能，這就是別名替換（使用元素標(biāo)簽）和文本解釋功能（使用元素標(biāo)簽）。

　　使用的目的在于支持SSML文件同時支持文字書寫格式和其可讀格式，這樣使得文檔格式更加具有可讀性。講話發(fā)音格式通過一個中的alias來實(shí)現(xiàn)。具體示例如下：

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-US">

　　MRCP

　　語音合成引擎通過別名會對"Media Resource Control Protocol"文字進(jìn)行語音合成，然后播放。

　　另外一種使用元素標(biāo)簽的方式是確保一些短語能夠正確使用，例如以下示例：

　　xmlns="http://www.w3.org/2001/10/synthesis"

　　xml:lang="en-US">

　　IPA

　　這里，確保這三個IPA字母組合可以讀成IPA通用的讀音，而不是其他的讀音方式。

　　另外一個常用的標(biāo)簽就是元素標(biāo)簽。此標(biāo)簽用來表示文本信息的構(gòu)成格式，用來進(jìn)一步設(shè)定渲染的內(nèi)容。大家知道，如果文字內(nèi)容解釋使用了不同的方式，可能會導(dǎo)致其內(nèi)容發(fā)音的不同。包含三個不同的屬性設(shè)置，它們分別是interpret-as，format 和detail。interpret-as用來表示文本結(jié)構(gòu)的類型。例如，date表示一個日期，telephone表示是一個電話號碼結(jié)構(gòu)。format是一個可選屬性，表示具體的準(zhǔn)確的文本結(jié)構(gòu)，例如data的格式：dmy表示讀date格式為日期，月份，最后才是年。detail也是一個可選屬性，它用來表示讀內(nèi)容的層級，在很多的interpret-as中沒有定義此元素標(biāo)簽。具體的示例如下：

　　2/3/2016

　　01:59:59

　　12

　　9

　　在本講座中，我們介紹了SSML的基本概念和W3C相關(guān)的技術(shù)細(xì)節(jié)，另外解釋了關(guān)于SSML設(shè)計的六大原則，這些原則保證了SSML具有良好的兼容性，可以兼容目前主流的語音合成引擎，然后我們介紹了SSML文件的基本結(jié)構(gòu)和其定義的標(biāo)簽屬性，同時介紹了錄音文件的格式，和其發(fā)音標(biāo)簽的使用方式。另外，重點(diǎn)說明了關(guān)于IPA的使用，文本語音別名使用和文本解釋功能。通過本章節(jié)的介紹，我們相信讀者會對智能語音機(jī)器人開發(fā)中的SSML數(shù)據(jù)呈現(xiàn)方式有了比較清晰地認(rèn)識。

　　在接下來的章節(jié)中，我們將繼續(xù)介紹SSML數(shù)據(jù)結(jié)構(gòu)中的Prosody中的音量，語速，標(biāo)識標(biāo)記，Metadata等元素標(biāo)識。

　　https://www.w3.org/TR/speech-synthesis11/

　　https://msdn.microsoft.com/en-us/library/dd318693（vs.85）。aspx