Speech Synthesis Markup Language
SSML je značkovací jazyk založený na XML, používaný v 3GPP zprávových a hlasových službách k řízení syntézy řeči. Umožňuje specifikovat výslovnost, hlasitost, výšku tónu a rychlost pro přirozený a přizpůsobitelný zvukový výstup.
Popis
Speech Synthesis Markup Language (SSML) je standard konsorcia World Wide Web Consortium (W3C), který 3GPP přijalo a profilovalo pro použití v telekomunikačních službách. Jde o jazyk založený na XML, který poskytuje bohatou sadu značek a atributů pro anotaci textového vstupu do systémů syntézy řeči (text-to-speech enginů). Hlavní funkcí SSML je poskytnout poskytovatelům služeb a vývojářům aplikací přesnou kontrolu nad tím, jak je text převeden na mluvený zvuk, což jde daleko za jednoduchou, monotónní konverzi. Značky lze použít k definování fonetické výslovnosti neobvyklých slov, vložení pauz, řízení prozódie (výšky tónu, rychlosti a hlasitosti), specifikaci mluvícího hlasu a dokonce k vložení nahraných zvukových klipů do proudu syntetizované řeči.
V rámci architektur 3GPP je SSML primárně referencováno v kontextu služby Multimedia Messaging Service (MMS) a dalších zprávových enablerů. Například zpráva MMS může obsahovat textové tělo anotované značkami SSML. Když zařízení příjemce nebo síťová služba vykreslí tuto zprávu jako zvuk (např. pro použití hands-free nebo pro přístupnost), značkování SSML instruuje TTS engine, jak přesně řeč vyprodukovat. Specifikace TS 23.333 definuje, jak jsou dokumenty SSML v systémech 3GPP zapouzdřovány a přenášeny. Jazyk funguje tak, že obaluje textový obsah do elementů jako
Role SSML v 3GPP spočívá v umožnění přirozenějších, srozumitelnějších a poutavějších audio služeb. Je to klíčový enabler pro unified messaging, kde uživatelé mohou přijímat e-maily nebo textové zprávy předčítané se správnou intonací pro otázky nebo důraz. Také podporuje systémy interaktivní hlasové odpovědi (IVR) a služby přístupnosti pro uživatele se zrakovým postižením. Standardizací na společném značkovacím jazyce zajišťuje 3GPP interoperabilitu mezi tvůrci obsahu, síťovými službami a terminálovými TTS enginy, což umožňuje konzistentní uživatelský zážitek bez ohledu na podkladový hardwarový nebo softwarový syntetizátor.
K čemu slouží
SSML byl vytvořen, aby vyřešil problém robotického, nepřirozeného a často nesrozumitelného výstupu z raných text-to-speech systémů. Jednoduché TTS enginy vyslovovaly text doslovně, což vedlo k chybné výslovnosti jmen, akronymů a čísel a k naprostému nedostatku výrazových prostředků (pauz, důrazu, změn výšky tónu), které charakterizují lidskou řeč. To omezovalo použitelnost TTS pro kritické aplikace jako jsou zprávy, navigace a zákaznický servis. W3C vyvinulo SSML, aby poskytlo dodavatelsky neutrální, platformně nezávislý způsob řízení parametrů syntézy.
Přijetí SSML organizací 3GPP, zejména ve verzi Rel-7, bylo motivováno růstem multimediálního zasílání zpráv a potřebou vylepšených zprávových služeb. Umožnilo síťovým přidaným službám (jako je vykreslování audio zpráv) a schopným koncovým zařízením poskytnout výrazně lepší uživatelský zážitek. Před SSML byl jakýkoli pokus o zlepšení kvality řeči proprietární a neinteroperabilní. SSML poskytlo standardizovanou sadu nástrojů, aby poskytovatelé obsahu zajistili, že jejich zprávy budou přečteny podle záměru, což bylo klíčové pro komerční služby jako audio zpravodajství, hlasem ovládané prohlížení webu a přístupné telekomunikace. Umožnilo to inovace služeb v audio doméně v rámci paketově přepínané servisní architektury.
Klíčové vlastnosti
- Značkování založené na XML pro anotaci textu instrukcemi pro syntézu řeči
- Kontrola výslovnosti pomocí fonematických abeced (např. IPA, X-SAMPA)
- Přesná kontrola prozódie: výšky tónu, rychlosti řeči a hlasitosti
- Schopnost vkládat specifikované pauzy a přestávky v řeči
- Podpora více hlasů a jazyků v rámci jednoho dokumentu
- Možnost vkládat předem nahrané zvukové soubory do proudu syntetizované řeči
Související pojmy
Definující specifikace
- TS 23.333 (Rel-19) — MRFC-MRFP Mp Interface Requirements
📖 Anglický originál a plná specifikace: SSML na 3GPP Explorer
