隨著人工智能技術的成熟，人機交互已經滲透到生活的方方面面。其中，語音是最常見的交互方式。對于機器的聲音輸出而言，主要包括兩種方法：一種是事先錄制好音頻，然后根據用戶指令，播放音頻，以有聲閱讀、影視配音為主；另外一種則是通過語音合成技術，將文本轉化為語音，以智能客服、智能設備交互為主。
在大多數情況下，錄制好的音頻經過人為加工，對發音、語速、音量、情感等細節進行調整，整體效果優于直接通過語音合成轉化的情況。
但是，由于音頻剪輯工作量大難以保證效率，而且是提前錄制好內容，如果內容有變還需要重新錄制，靈活性較差。而動態輸出、按需定制正是語音合成的強大之處。那么，如何讓語音合成擁有音頻剪輯的效果，如何讓合成后的音色更具有生動的表現力呢？
近日，標貝科技上線SSML標記語言能力，通過SSML標簽創造自然、高質量的音色效果，實現內容的生動化表達，能夠讓合成音色的情感表現力更加細膩可控。
SSML，讓語音合成更精準自然
SSML，即語音合成標記語言，是一種基于XML的標記語言。與純文本相比，它的主要功能是為語音合成用戶提供一種標準方法，開發者可利用其控制合成語音的輸出特性，為最終合成效果帶來更多變化，以匹配更自然和場景化的說話方式。
標貝科技提供的SSML標記語言不僅能在音色、語速、音調、音量、文件類型、采樣率、添加背景音樂等方面進行自由調節，還支持停頓時間、自定義文本結構、詞組分詞、讀音更改、添加提示音、選擇制定場景讀法等個性化功能，適用于聊天機器人、有聲讀物、影視配音、游戲對話等多個場景。
常用標簽包括：
<prosody> —— 控制音量、音高和語速
<lang> —— 表明短語或單詞所屬的語言
<break>——停頓時間
<s>——自定義文本結構
<sub>——別名
<w>——詞組分詞
<phoneme>——讀音更改
<soundEvent>——添加提示音
<say-as>——選擇指定場景讀法
例如，對于一串郵編“100192”來說，正確的情景下，應該是一個數字、一個數字的發音，但是基于純文本的TTS下，無法區分這是郵編還是代表數量的數字，有可能會讀成 “十萬零一百九十二”或者 “一、零、零、一、九、二”。
標貝科技語音合成能力在SSML的加持下，可以讓開發者在文字中添加語境，進一步對音高、語速、重音、停頓、音量和發音進行編程，以便系統能夠充分理解上下文，輸出符合語境的語音內容，對于上文的這串號碼到底是讀成數量還是純數字就很容易區分了。同時，沒有任何編程或SSML標簽經驗的開發者也可以通過標貝開放平臺使用這一功能。
定制化語音合成，滿足更多場景需求
近兩年，在疫情影響以及產業數字化需求拉動下，我國智能語音市場規模持續擴張，據中國語音產業聯盟發布《2020-2021中國智能語音產業發展白皮書》顯示，預計2021年市場規模達到285億元，同比增速達到44%。市場上的智能語音產品層出不窮，對于語音合成的需求也越來越多樣化。
作為行業領先的智能語音交互與AI數據服務提供商，標貝科技致力于智能語音技術的創新研發和商業化應用，已經推出多音色、多語種、多場景的在線、離線語音合成服務，憑借自然流暢的韻律、豐富的音色層次感和多維情感表現力等優勢，充分滿足企業和個人用戶多樣化聲音生產需求。
隨著市場對更仿真、更悅耳的聲音需求，標貝科技基于核心的深度神經網絡技術模型，創新打造了情感合成、聲音轉換、聲音復刻等個性化聲音定制方案，幫助加速語音產品的落地。
例如，針對智能客服場景，標貝科技推出智能外呼方案，為客戶提供實時語音導航、自動外呼、銷售輔助等服務，有效提升客服坐席人員的工作效率與服務質量。在融媒體領域，標貝科技推出新媒體音視頻解決方案，完成新聞男、女音色及語音合成技術研發，并在人民日報客戶端和小程序FM端成功上線應用。在AI教育層面，標貝科技運用聲音復刻技術助力中國銀行在手機銀行APP“中銀樂知”教育專區上線親子陪伴產品“BOBO留聲機”，打造智能化的兒童成長服務體驗。
此次標貝科技SSML標記語言功能的上線，不僅能夠快速實現通用情況下的文字到音頻的轉換，同時針對情感多變、晦澀難懂的長文本，也能智能、精準的完成轉化，進一步優化用戶體驗，將助力開發者實現更多個性化語音方案的落地。
