SSML 与发音控制

本节目标

理解 SSML 1.1 的 XML 结构，安全表达语言、句子、停顿、强调、韵律和发音，同时处理引擎差异。

最小 SSML

SSML（Speech Synthesis Markup Language）是 W3C 推荐标准。独立 SSML 文档遵循合法的 XML prolog，随后以带标准命名空间的 speak 为根；下面使用 XML 声明作为可读的完整文档示例。供应商 API 也可能只接受 SSML 片段或自行包裹根元素，因此请求形态要按目标接口另行核验：

<?xml version="1.0" encoding="UTF-8"?>
<speak version="1.1"
       xmlns="http://www.w3.org/2001/10/synthesis"
       xml:lang="zh-CN">
  <p><s>欢迎使用语音助手。</s></p>
</speak>

常用概念：break 控制停顿，emphasis 表达强调，prosody 控制速率/音高/音量，say-as 提示数字或日期读法，phoneme 指定发音，sub 提供替代读法，voice 请求声音特征或名称。

安全构造

不要把用户文本直接拼接进 XML；用 XML 库创建元素，让 <、& 等字符自动转义。限制允许标签、属性、输入长度和外部资源；禁用或拒绝不需要的 audio 外部引用。SSML 不等于 HTML，浏览器转义规则不能直接套用。

本知识库项目从纯文本和受控枚举生成 SSML，不接受任意 XML。这样减少注入和供应商扩展泄漏。

可移植性

标准定义语义，但供应商可能：

• 只支持标签或属性子集；
• 为情绪、风格加入私有命名空间；
• 对相同 prosody 值产生不同听感；
• 对无效标签报错、忽略或降级。

建立“核心可移植 SSML + 供应商适配层”，并用每个目标声音回归。发音词典可参考 W3C PLS，但引擎支持仍需核验。

练习与自测

• 用 XML 库构造含 A&B <测试> 的文本，确认被转义而非当标签。
• 为电话号码设计 say-as，并说明若引擎不支持如何降级成明确 spoken form。
• 为什么不应把任意 URL 放入 <audio>？会引入网络、追踪、格式和内容安全风险。

下一步与参考

下一步学习 声音选择、批处理与流式。参考 W3C SSML 1.1 与 W3C Pronunciation Lexicon Specification 1.0（均为 W3C Recommendation，获取日期：2026-07-22）。