CosyVoice语音合成SSML标记语言使用说明

什么是SSML？

SSML（Speech Synthesis Markup Language，语音合成标记语言）是一种特殊的文本标记方式。通过使用SSML，您可以像"导演"一样指导AI如何朗读文本——控制语速快慢、语调高低、音量大小，还能添加停顿、音效、背景音乐等，让合成的语音更加生动自然。

注意事项

在使用CosyVoice3 AI配音服务，需要注意，如果是以下模型，才能使用SSML功能！

基本使用格式

所有SSML内容都必须包裹在 <speak> 标签中：

<speak>您要朗读的文本内容</speak>

常用功能详解

1. 调整语速

想让AI读得快一点或慢一点？使用 rate 属性：

<speak rate="2">我的语速比正常人快一倍</speak>
<speak rate="0.5">我的语速比较慢，适合听清楚每个字</speak>

• 取值范围：0.5 ~ 2（1为正常语速）
• 大于1：加快语速
• 小于1：减慢语速

2. 调整音调

想让声音更高亢或更低沉？使用 pitch 属性：

<speak pitch="1.5">我的声音比较高亢</speak>
<speak pitch="0.7">我的声音比较低沉</speak>

• 取值范围：0.5 ~ 2（1为正常音调）
• 大于1：升高音调
• 小于1：降低音调

3. 调整音量

控制声音大小，使用 volume 属性：

<speak volume="80">我的音量很大</speak>
<speak volume="30">我的音量比较小</speak>

• 取值范围：0 ~ 100（50为默认音量）
• 大于50：增大音量
• 小于50：减小音量

4. 添加停顿

在句子中加入适当的停顿，让朗读更有节奏感：

<speak>请闭上眼睛休息一下<break time="2s"/>好了，请睁开眼睛</speak>

• <break/>：默认停顿1秒
• <break time="2s"/>：停顿2秒
• <break time="500ms"/>：停顿500毫秒（0.5秒）

注意：连续停顿总时长不能超过10秒。

5. 组合多种效果

您可以同时设置多个属性，用空格分隔：

<speak rate="1.2" pitch="1.1" volume="70">
  我语速稍快，音调偏高，音量适中
</speak>

6. 指定文本朗读方式

对于一些特殊文本，可以告诉AI如何正确朗读：

数字读法

<say-as interpret-as="cardinal">12345</say-as>  <!-- 读作：一万二千三百四十五 -->
<say-as interpret-as="digits">12345</say-as>   <!-- 读作：一二三四五 -->

电话号码

<say-as interpret-as="telephone">13800138000</say-as>
<!-- 按手机号格式朗读 -->

日期

<say-as interpret-as="date">2024-03-28</say-as>
<!-- 读作：二零二四年三月二十八日 -->

时间

<say-as interpret-as="time">14:30</say-as>
<!-- 读作：十四点三十分 -->

金额

<say-as interpret-as="currency">100.50 RMB</say-as>
<!-- 读作：一百点五零人民币 -->

地址

<say-as interpret-as="address">北京市朝阳区建国路1号</say-as>

逐个读字符

<say-as interpret-as="characters">ISBN 978-7-111</say-as>
<!-- 逐个读出每个字符 -->

7. 自定义发音

如果AI读错了某个词，您可以指定正确的读法：

替换文本

<sub alias="世界贸易组织">WTO</sub>
<!-- 将WTO读作"世界贸易组织" -->

指定拼音（中文）

<phoneme alphabet="py" ph="dian3 dang4 hang2">典当行</phoneme>
<!-- 指定"典当行"的拼音，数字1-5表示声调 -->

指定音标（英文）

<phoneme alphabet="cmu" ph="S AY N">sin</phoneme>

8. 添加音效

为语音添加有趣的音效效果：

<speak effect="robot">我是机器人瓦力</speak>
<speak effect="lolita">我是萝莉音</speak>
<speak effect="echo">我有回声音效</speak>

可选音效：

• robot：机器人音效
• lolita：萝莉音效
• echo：回声音效
• lowpass：低通音效

9. 插入音效文件

在语音中插入提示音、环境音等：

<speak>一匹马受了惊吓<soundEvent src="http://example.com/horse.wav"/>人们四散躲避</speak>

音频要求：

• 格式：WAV
• 采样率：16kHz
• 声道：单声道
• 大小：不超过2MB

10. 添加背景音乐

为合成的语音配上背景音乐：

<speak bgm="http://example.com/music.wav" backgroundMusicVolume="30">
  <break time="2s"/>
  这是带背景音乐的朗读内容
  <break time="2s"/>
</speak>

注意：

• 背景音乐会自动循环播放以匹配语音长度
• 如果合成内容超过背景音乐时长，音乐会重复播放

完整示例

<speak rate="1.1" volume="60">
  大家好，欢迎收听今天的节目。
  <break time="1s"/>
  今天我们要讲的是<say-as interpret-as="date">2024年3月28日</say-as>的新闻。
  <break time="500ms"/>
  首先，<sub alias="人工智能">AI</sub>技术正在快速发展。
  <break time="1s"/>
  感谢收听，我们下期再见！
</speak>

使用注意事项

1. 特殊字符转义：如果文本中包含 "、'、&、<、> 等特殊符号，需要进行转义：
   • " → "
   • & → &
   • < → <
   • > → >
2. 标签不能嵌套：<speak> 标签不能嵌套在另一个 <speak> 标签内
3. 支持的模型：SSML功能需要特定的模型版本支持，请确认您使用的模型支持SSML
4. 支持的音色：并非所有音色都支持SSML功能，请使用支持SSML的音色

快速参考表

希望这篇说明能帮助您更好地使用CosyVoice的SSML功能，创造出更自然、更生动的语音效果！