Interpretador SSML

O SSML 1.1 (Speech Synthesis Markup Language) é uma linguagem de marcação definida pelo W3C que permite controlar recursos de síntese de fala. Usando tags SSML, é possível modificar algumas características da fala sintetizada, como pronúncia, volume e entonação, assim como forçar uma dada interpretação a determinados textos de entrada.

Nota

Para que as tags SSML sejam interpretadas, o recurso deve estar habilitado no arquivo de configuração. Para maiores detalhes, consulte a seção (Configuração).

O interpretador SSML do Texto Fala não requer que sejam especificados o prólogo XML nem a tag raiz speak. Dessa forma, os dois exemplos abaixo são equivalentes.

<?xml version="1.0"?>
<speak version="1.1" 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-synthesis11/synthesis.xsd"
        xml:lang="pt-BR">
        Notícias da <sub alias="Organização das Nações Unidas">ONU</sub>!
</speak>
Notícias da <sub alias="Organização das Nações Unidas">ONU</sub>!

Tags SSML suportadas

O Texto Fala suporta a versão 1.1 do SSML. As próximas seções descrevem as tags suportadas, bem como exemplos de uso. Todas as tags presentes no texto de entrada devem estar no formato especificado, caso contrário, um erro será retornado ao usuário.

prosody

A tag prosody permite o controle da prosódia (ritmo, entonação e intensidade) da fala sintetizada. O Texto Fala suporta os seguintes atributos para esta tag:

pitch

Indica o pitch (entonação) da fala sintetizada. Os valores suportados são:

  • +/- número % (variação percentual no pitch)

  • +/- número st (variação em semitons no pitch)

  • x-low / low / medium / high / x-high / default

Exemplos de uso:

Agora vou usar uma voz <prosody pitch="x-high"> mais aguda </prosody>
Agora vou usar uma voz <prosody pitch="x-low"> mais grave </prosody>
Agora vou falar <prosody pitch="+20st"> com um pitch mais alto </prosody>
rate

Modifica a velocidade da fala sintetizada. Os valores suportados são:

  • número não negativo % (mudança percentual relativa de ritmo, sendo “100%” o ritmo padrão)

  • x-slow / slow / medium / fast / x-fast / default

Exemplos de uso:

Agora vou falar <prosody rate="fast"> mais rápido </prosody>
Agora vou falar <prosody rate="50%"> na metade da velocidade normal </prosody>
Agora vou falar <prosody rate="200%"> no dobro da velocidade normal </prosody>
volume

Modifica o volume da fala sintetizada. Os valores suportados são:

  • +/- número dB (variação do volume em decibéis)

  • silent / x-soft / soft / medium / loud / x-loud / default .

Exemplos de uso:

Agora vou falar <prosody volume="loud"> mais alto </prosody>
Agora vou <prosody volume="-6dB"> abaixar o volume em 6 decibéis </prosody>

voice

A tag voice possibilita selecionar a voz a usar no processo de conversão do texto em fala. O Texto Fala suporta os seguintes atributos para esta tag:

name

Nome da voz selecionada. As vozes disponíveis para uso encontram-se listadas na seção General.Voices do arquivo de configuração do Texto Fala (tts.conf). O uso da extensão .voice é opcional no nome da voz. É possível redefinir em tempo de execução a voz a usar; para isto deve ser chamada à função LoadVoice da API (para mais detalhes consultar a seção Programação em C/C++ do Texto Fala).

Exemplos de uso:

Eu consigo usar <voice name="rosana-highquality.voice"> a voz da Rosana </voice>
Agora vou usar <voice name="carlos-highquality"> a voz do Carlos </voice>

A voz será alterada no trecho compreendido entre as tags. Nos demais trechos, a voz usada será a voz padrão definida no arquivo de configuração do Texto Fala (tts.conf).

p e s

As tags p e s representam um parágrafo e uma sentença, respectivamente.

Caso um texto inserido entre essas tags não possua pontuação ao fechar a tag, um ponto final é inserido.

Exemplo de uso:

<p>Aqui temos um parágrafo</p>
<s>Aqui temos uma sentença</s>

Dentro dessas tags podemos incluir as demais tags SSML.

lexicon

A tag lexicon permite, em conjunto com a tag lookup, criar e utilizar tabelas de substituição de palavras. Para criar uma tabela de substituição deve-se criar uma nova seção no arquivo user.dat.

Para criar uma nova seção é necessário inserir novas linhas nesse arquivo (uma para cada substituição), seguindo o formato abaixo:

[section:entrada] [saida]

onde section é o nome da seção, entrada é a palavra a ser substituída e saida é o resultado da substituição (pode ser uma ou mais palavras).

Exemplo de uso:

[endereços:av.] [avenida]
[ONU]   [Organização das Nações Unidas] /c

O Texto Fala suporta os seguintes atributo para esta tag:

uri

Indica a seção do léxico que implementa a tabela de substituição. Os valores aceitos devem começar com builtin:// seguido do nome da seção definido no arquivo user.dat.

xml:id

Identificador único da seção da tabela (pode ser um nome arbitrário, que será usado com a tag lookup para identificar a tabela de substituição no momento do uso).

Exemplo de uso:

<lexicon uri="builtin://endereços" xml:id="endereços"/>

Indica que a tabela de substituição está localizada na sec1 do arquivo user.dat e que a identificação para utilizar essa tabela é id1.

lookup

A tag lookup possibilita fazer a troca de palavras no texto de entrada, a partir da consulta de uma tabela de substituição definida previamente por meio da tag lexicon.

O Texto Fala suporta os seguintes atributo para esta tag:

ref

Atributo com o identificador da tabela de substituição. O valor do atributo é textual e deve ser o mesmo indicado no atributo xml:id da tag lexicon.

Exemplo de uso:

<lookup ref="endereços"> Av. Henrique  </lookup>

As palavras Av. Henrique serão buscadas uma a uma na tabela de substituição associada ao identificador endereços. Caso alguma palavra esteja na tabela, será substituída conforme definido no léxico.

É possível usar várias tabelas de substituição ao mesmo tempo por meio do uso de tags lookup aninhadas. Nesse caso, a ordem de precedência de uso das tabelas é definido pela ordem de declaração, sendo a tag mais interna a de maior precedência.

sub

A tag sub permite a substituição do texto contido entre as tags por outro texto. O Texto Fala suporta o seguinte atributo para esta tag:

alias

Indica o texto que deve substituir o texto original. O valor do atributo é textual.

Exemplo de uso:

<sub alias="Academia Brasileira de Letras"> ABL </sub>

A palavra “ABL” será substituída pelas palavras “Academia Brasileira de Letras”.

Nota

A tag sub não pode conter tags filhas, ou seja, não é permitido incluir outra tag entre <sub> </sub>.

break

A tag break permite inserir uma pausa com tempo definido e um tipo no ponto onde a tag for inserida. O Texto Fala suporta o seguinte atributo para esta tag:

time

Indica a duração da pausa. O valor do atributo é um número inteiro em segundos (s) ou milissegundos (ms).

type

Indica o tipo da pausa. Este atributo não está incluído na especificação do SSML pelo W3C . Os valores suportados são:

  • ,

  • ;

  • :

  • ?

  • !

  • .

Exemplo de uso:

Vou inserir uma pausa <break time="3s"/> aqui

Vou inserir uma pausa de vírgula <break time="3s" type=","/> aqui

Nesse caso, será inserida uma pausa de 3 segundos entre as palavras pausa e aqui.

Nota

A tag phoneme não pode conter tags filhas, ou seja, não é permitido incluir outra tag entre <phoneme> </phoneme>.

say-as

A tag say-as determina a forma como um trecho de texto deve ser vocalizado. O Texto Fala suporta os seguintes atributos para esta tag:

interpret-as

Indica o modo no qual o conteúdo da tag deve ser interpretado (i.e. seletrado, data, hora, etc.).

format

Indica o formato do conteúdo da tag. Nem todos modos de interpretação possuem opções de formatos.

callback

Indica que uma callback do usuário deve ser chamada para o tratamento do texto. Exemplicação no uso do Template.

A tag say-as é muito útil na verbalização de construções como datas e horas, principalmente em situações de ambiguidade onde o Texto Fala não é capaz de decidir a melhor interpretação. Os valores válidos para o atributo interpret-as são:

Nota

A tag say-as não pode conter tags filhas, ou seja, não é permitido incluir outra tag entre <say-as> </say-as>.

Os detalhes sobre cada interpretação disponível são exibidos a seguir.

spell

Indica que os caracteres dentro da tag devem ser soletrados. A forma como são lidos os caracteres em modo soletrado encontra-se detalhada no Apêndice 1.

Exemplo de uso:

<say-as interpret-as="spell"> teste1 </say-as>
tê-ê-ésse-tê-ê-um

Opcionalmente, pode ser incluído um tipo de pausa entre os caracteres soletrados, através do atributo detail. Os tipos de pausa suportados são:

  • ,

  • ;

  • :

  • .

Exemplo de uso:

<say-as interpret-as="spell" detail=","> teste1 </say-as>
tê,ê,ésse,tê,ê,um

Além disso, existem outros três formatos que permite fazer um controle refinado sobre quais elementos do texto serão soletrados, também contendo opcionalmente o atributo detail:

number

Indica que apenas os dígitos devem ser soletrados.

Exemplo de uso:

<say-as interpret-as="spell" format="number"> teste 123 </say-as>
teste um dois três
letter

Indica que apenas os caracteres alfabéticos devem ser soletrados.

Exemplo de uso:

<say-as interpret-as="spell" format="letter"> teste 123 </say-as>
tê-ê-esse-tê-ê cento e vinte e três
phonetic

Indica que todos os caracteres devem ser soletrados segundo o alfabeto fonético aeronáutico, para o Português do Brasil, ou o alfabeto fonético da OTAN, para o Espanhol Latino-americano.

Exemplo de uso em Português:

<say-as interpret-as="spell" format="phonetic"> teste 123 </say-as>
tango eco sierra tango eco uno dois três
uf-br

Força a substituição de algumas siglas pelos nomes dos Estados brasileiros. Este tratamento não diferencia letras maiúsculas e minúsculas (“sp” e “SP”, por exemplo, são tratados da mesma maneira).

Os estados aceitos estão listados abaixo:

AC

ACRE

AL

ALAGOAS

AP

AMAPÁ

AM

AMAZONAS

BA

BAHIA

CE

CEARÁ

DF

DISTRITO FEDERAL

ES

ESPÍRITO SANTO

GO

GOIÁS

MA

MARANHÃO

MT

MATO GROSSO

MS

MATO GROSSO DO SUL

MG

MINAS GERAIS

PA

PARÁ

PB

PARAÍBA

PR

PARANÁ

PE

PERNAMBUCO

PI

PIAUÍ

RJ

RIO DE JANEIRO

RN

RIO GRANDE DO NORTE

RS

RIO GRANDE DO SUL

RO

RONDÔNIA

RR

RORAIMA

SC

SANTA CATARINA

SP

SÃO PAULO

SE

SERGIPE

TO

TOCANTINS

Exemplo de uso:

<say-as interpret-as="uf-br"> sp e mg </say-as>
São Paulo e Minas Gerais
no-gender

No seu modo normal de operação, o Texto Fala detecta o gênero das palavras e usa essa informação para fazer a concordância adequada de valores numéricos. No entanto, é possível desabilitar esse recurso com o uso dessa interpretação, fazendo com que todas as palavras sejam consideradas masculinas.

Exemplo de uso:

<say-as interpret-as="no-gender"> Edifício Vitória, primeiro andar, conjunto 1 sala 2 </say-as>
Edifício Vitória, primeiro andar, conjunto um sala dois

Sem o uso da tag SSML o texto seria lido como “Edifício Vitória, primeiro andar, conjunto uma sala dois”, sendo uma a concordância com a palavra sala.

date

Converte um formato determinado em uma data. Os formatos aceitos estão listados abaixo e incluem “d” (dia), “m” (mês) e “y” (ano). Os formatos suportados são:

Formato

Máscara

dmy

DD/MM/YYYY

mdy

MM/DD/YYYY

ymd

YYYY/MM/DD

ymd

YY/MM/DD

ym

YYYY/MM

my

MM/YYYY

md

MM/DD

dm

DD/MM

d

DD

m

MM

y

YYYY

Nota

O separador entre os números pode ser um traço (-) ou uma barra (/).

Meses podem ser indicados pela sua representação em três caracteres (i.e. Jan, Fev, Mai, etc).

Quando uma data é especificada usando dígitos e no formato dd/mm/aaaa, dia e mês podem especificar-se com 1 ou 2 dígitos e o ano com 2 ou 4 dígitos (e.g. 08/09/2017 ou 8/9/17).

Anos com 2 dígitos serão interpretados da seguinte forma: de 00 a 29 serão convertidos para 2000 a 2029; de 30 a 99 para 1930 a 1999.

Exemplo de uso:

<say-as interpret-as="date" format="mdy"> 05-04-2017 </say-as>
quatro de maio de dois mil e dezessete

Formatos interpretados como datas sem necessidade de tags SSML:

1) #/#/# (DMY; dia e mês: 1 ou 2 dígitos; ano: 4 dígitos no intervalo 1800 a 2050; a data deve ser válida). Ex: 02/08/1980, 1/4/1996; 28/12/2006. Casos como os seguintes não serão interpretados como datas por violar algumas das condições acima: 30/02/2015; 18/9/1318; 31/07/46.

2) #/S/# (DMY; dia: 1 ou 2 dígitos; mês: as 3 primeiras letras do mês ou seu nome por inteiro; ano: 2 ou 4 dígitos; anos com 4 dígitos devem estar no intervalo 1800 a 2050). Ex: 02/ago/1980, 01/abril/96, 28/dez/06. Casos como os seguintes não serão interpretados como datas por violar algumas das condições acima: 02/agosto/1350; 15/dez/137. Como o mês está explícitamente indicado, este formato aceita datas irônicas, ex: 30/Fev/2018.

3) S/#/# (MDY; mês: as 3 primeiras letras do mês ou seu nome por inteiro; dia: 1 ou 2 dígitos; ano: 4 dígitos no intervalo 1800 a 2050). Ex: ago/02/1980; abril/01/1996; dez/28/2006. Casos como os seguintes não serão interpretados como datas por violar algumas das condições acima: agosto/02/1350; dez/15/137. Como o mês está explícitamente indicado, este formato aceita datas irônicas, ex: Fev/30/2018.

4) #/S/# (YMD; ano: 4 dígitos no intervalo 1800 a 2050; mês: as 3 primeiras letras do mês ou seu nome por inteiro; dia: 1 ou 2 dígitos). Ex: 1980/ago/11; 1996/março/26; 2006/nov/6. Casos como os seguintes não serão interpretados como datas por violar algumas das condições acima: 1350/agosto/02; 137/dez/15. Como o mês está explícitamente indicado, este formato aceita datas irônicas, ex: 2018/Fev/30.

5) #/S (YM;ano: 4 dígitos no intervalo 1800 a 2050; mês: as 3 primeiras letras do mês ou seu nome por inteiro) Ex: 1980/ago; 1996/março; 2006/nov. Casos como os seguintes não serão interpretados como datas por violar algumas das condições acima: 1350/agosto; 20/dez.

6) S/# (MY; mês: as 3 primeiras letras do mês ou seu nome por inteiro; ano: 4 dígitos no intervalo 1800 a 2050) Ex: ago/1980; março/1996; nov/2006. Casos como os seguintes não serão interpretados como datas por violar algumas das condições acima: ago/1350; janeiro/20.

fraction

Permite interpretar como frações texto com formato «número/número» desde que estes números sejam inteiros entre 1 e 10 sem zeros à esquerda:

1/2; 2/3; 3/4; 10/5; 4/6; 2/7; 5/8; 2/9;

As frações poderão ser positivas ou negativas, neste último caso não pode haver espaço entre o símbolo de menos e a fração:

-1/2; -2/3; -1/4; -3/5; -4/6; -5/7;

Os textos a seguir não serão considerados frações já que numerador e/ou denominador estão fora do intervalo permitido, possuem zeros à esquerda ou não são números inteiros:

12/18 ; 2/17 ; 05/7; 2,3/7 etc.

Exemplo de uso:

<say-as interpret-as="fraction"> 3/4 </say-as>
três quartos

Sem o uso da tag a saida seria “três barra quatro”.

audio

A tag audio permite a inserção de um arquivo de áudio. O Texto Fala suporta o seguinte atributo para esta tag:

src

Indica o nome do arquivo de áudio. Para definir o caminho onde o arquivo está localizado é necessário passar o caminho completo do áudio ou alterar a opção General.AudioPath no arquivo de configuração tts.conf. Caso essa opção não esteja ativada, os arquivos de áudio devem ser colocados no mesmo diretório de instalação. Para mais detalhes da opção General.AudioPath, consultar a seção Programação em C/C++ do Texto Fala.

Caso o arquivo de áudio não esteja acessível ou ocorra algum problema na sua reprodução, o texto definido entre as tags será sintetizado. Se não houver nenhum texto entre as tags, a tag será ignorada. Adicionalmente, somente é permitido a reprodução de arquivos com extensão .wav no formato PCM linear, 16 kHz, 16 bits, mono, com cabeçalho.

Aviso

O arquivo de áudio não pode conter metadados, caso contrário, um ruído será reproduzido.

Exemplo de uso:

<audio src="teste.wav"> dentro do áudio tem a palavra teste </audio>
<audio src="teste.wav"/>

No primeiro caso, será reproduzido o conteúdo do arquivo teste.wav. Caso haja uma falha na reprodução deste arquivo, o texto «dentro do áudio tem a palavra teste» será sintetizado. No segundo caso será tocado o conteúdo do arquivo teste.wav, mas nada será feito caso haja alguma falha.

effect

A tag effect é uma tag proprietária exclusiva do Texto Fala, para o português do Brasil, que permite inserir efeitos sonoros como tosse, risada, espirro, entre outros. A tag suporta o seguinte atributo:

id

Identifica o nome do efeito sonoro a ser inserido. Os identificadores suportados são os seguintes:

alivio_1

inspiracao_1

alivio_2

inspiracao_2

assobio_1

interrogacao

assobio_2

limpar_garganta_1

assobio_3

limpar_garganta_2

beijo

limpar_garganta_3

bocejo_1

nao_entendimento

bocejo_2

negacao

canto_1

pedido_de_silencio_1

canto_2

pedido_de_silencio_2

chamar_atencao

problema

chamar_atencao_1

problema_1

chamar_atencao_2

problema_2

choro_1

respiracao_1

choro_2

respiracao_2

comemoracao_1

respiracao_pela_boca

comemoracao_2

riso_1

cometer_erro_1

riso_2

cometer_erro_2

riso_3

concordancia

riso_macabro

decepcao

ronco_1

dor_1

ronco_2

dor_2

surpresa_ah_1

entendimento_1

surpresa_ah_2

entendimento_2

surpresa_epa_1

espirro

surpresa_epa_2

estouro_champanhe

surpresa_oh_1

fungar_1

surpresa_oh_2

fungar_2

suspiro

gargalhada

tosse_1

hesitacao_1

tosse_2

hesitacao_2

tosse_3

Caso o efeito não esteja disponível, a tag será ignorada.

Exemplo de uso:

Estou com sono <effect id="ronco_1"/>

Neste caso será sintetizado o texto «Estou com sono» e depois será inserido o efeito sonoro de ronco.

expressive

A tag expressive é uma tag proprietária exclusiva do Texto Fala, para o português do Brasil, que permite a inserção de fala com expressividade como, por exemplo, «bom dia» falado animadamente. Para produzir textos com expressividade é necessário inserir entre as tags o texto exato a ser vocalizado segundo a tabela a seguir:

Abraços!

Muito bom!

Adeus!

Muito obrigado!

Agradecemos sua visita!

Nossa!

Agradeço sua atenção!

Não acha?

Ah sim!

Não acredito!

Ainda está aí?

Não diga!

Alô!

Não me diga!

Atenção!

Não é possível!

Até a próxima!

Não!

Até amanhã!

O quê?

Até breve!

Obrigada pela sua atenção!

Até logo!

Obrigada!

Beijo!

Obrigado pela sua colaboração!

Beijos!

Obrigado!

Bem-vindo!

Ó!

Boa noite!

Óh!

Boa tarde!

Oi!

Boa viagem!

Ok!

Bom dia!

Olá!

Bom fim de semana!

Onde é que estávamos?

Certo!

Onde?

Certo?

Ótimo!

Claro!

Parabéns!

Com certeza!

Perfeito!

Com licença!

Pode repetir por favor?

Como assim?

Pode repetir?

Como disse?

Pode ser!

Como está?

Pois bem!

Como?

Por favor responda!

De nada!

Por quê?

Desculpa!

Preste atenção!

Desculpe!

Puxa!

Desculpe-me!

Quando?

Desculpem!

Que bom!

É!

Que pena!

E agora?

Responde!

E então?

Sim ou não?

É mesmo?

Sim!

Ei!

Sim?

Escuta!

Sinto muito!

Estou sim!

Sério?

Estou à disposição!

Sério??

Está por aí?

Talvez!

Exatamente!

Tchau!

Felicidades!

Tudo bem?

Feliz aniversário!

Tudo ok?

Imagina!

Uau!

Lamento muito!

Um abraço!

Lamento!

Um beijo!

Meus parabéns!

Ufa!

Lamento muito!

Verdade!

Muito bem!

Verdade?

Caso o trecho com expressividade não esteja disponível, a tag será ignorada.

Exemplo de uso:

<expressive> Verdade! </expressive>

Neste caso a palavra Verdade será sintetizada com expressividade.

A tag expressive pode ser utilizada junto com síntese de textos e outros recursos SSML.

<expressive> Olá! </expressive> <expressive> Bem-vindo! </expressive>
<expressive> Como está? </expressive> Parabéns pelo seu aniversário.
<expressive> Felicidades! </expressive>
<voice name="carlos-highquality">
    <expressive> Puxa! </expressive> Não foi possível completar a operação.
    <expressive> Lamento muito! </expressive>
</voice>
<expressive> Ei! </expressive>
<prosody volume="+6dB">Estou com um problema!</prosody>

Ainda é possível combinar trechos expressivos com efeitos sonoros para criar vocalizações mais humanizadas.

<effect id="limpar_garganta_1"/> <expressive> Olá! </expressive>
<expressive> Bem-vindo! </expressive> <effect id='tosse_3'/>
<expressive> Desculpe! </expressive> Estou um pouco gripado.
<effect id='espirro'/>

Nota

A tag expressive não pode conter tags filhas, ou seja, não é permitido incluir outra tag entre <expressive> </expressive>.

prompt

A tag prompt, criada exclusivamente para a engine Texto Fala, permite a inserção de prompts de voz customizados para uma determinada aplicação. Vale ressaltar que esse recurso só estará disponível para clientes que tenham contratado junto ao CPQD a criação de um dicionário de voz customizado, contendo fraseologia específica da aplicação fim. Nesse caso, a utilização da tag prompt permite mesclar a geração de fala sintetizada com a reprodução de frases pré-gravadas. Caso o recurso não esteja disponível na versão em uso, a tag será ignorada. O Texto Fala suporta o seguinte atributo para esta tag:

id

Identifica o nome do prompt customizado no seguinte formato: sessão:nome do prompt, no qual sessão indica o nome do pacote contratado junto ao CPQD contendo as frases pré-gravadas.

Exemplo de uso:

<prompt id="menu_cobranca:saudacao_01"/>

A frase a ser vocalizada é identificada por meio do atributo id. A utilização da tag só terá efeito se o id identificar uma frase válida do pacote identificado pela sessão dos prompts customizados.

Outros recursos

As demais tags e atributos presentes na especificação do SSML v1.1 não mencionados neste documento, são validados pelo Texto Fala, porém não são suportados nessa versão. Isso significa que, por padrão, essas tags não serão vocalizadas e que o texto contido entre as tags será vocalizado sem nenhum tipo de tratamento.

Símbolos especiais

Quando utilizando SSML, alguns símbolos como < e > são processados pelo interpretador e não são vocalizados. Caso deseje vocalizar tais símbolos, utilize a representação em entidades XML/HTML.