✎ SSML [ja.nishimotz.com]

この文書は読取専用です。文書のソースを閲覧することは可能ですが、変更はできません。もし変更したい場合は管理者に連絡してください。
====== SSML ======

since 2010-11-19

Speech Synthesis Markup Language
(SSML)は W3C が標準化を進めている音声合成マークアップ言語。

W3C は 2010年9月に 
[[http://www.w3.org/TR/speech-synthesis11/|Speech Synthesis Markup Language (SSML) Version 1.1]]
を
Recommendation 
にした。

===== Amazon Polly =====

since 2018-07-31


クラウドサービスによる（日本語対応の）音声合成。

  * https://docs.aws.amazon.com/ja_jp/polly/latest/dg/what-is.html


Polly で使える SSML タグ

  * https://docs.aws.amazon.com/ja_jp/polly/latest/dg/supported-ssml.html
  * prosody range の紹介 http://blog.serverworks.co.jp/tech/2017/02/20/customize_polly_talk/
  * 2020年4月15日の AWS ブログ記事
    * https://aws.amazon.com/jp/blogs/news/optimizing-japanese-text-to-speech-with-amazon-polly/


レキシコン（辞書カスタマイズ）も W3C Pronunciation Lexicon Specification (PLS) バージョン 1.0 準拠とのこと。

  * https://www.w3.org/TR/pronunciation-lexicon/

以下、AWS Polly のコンソールで確認。

==== エイリアス ====

日本語のテキストに PLS でユーザ辞書を適用して読み上げられる

ja.pls

<code xml>
<?xml version="1.0" encoding="UTF-8"?>
<lexicon version="1.0" 
      xmlns="http://www.w3.org/2005/01/pronunciation-lexicon"
      xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" 
      xsi:schemaLocation="http://www.w3.org/2005/01/pronunciation-lexicon 
        http://www.w3.org/TR/2007/CR-pronunciation-lexicon-20071212/pls.xsd"
      alphabet="ipa" 
      xml:lang="ja-JP">
  <lexeme>
    <grapheme>( ^)o(^ )</grapheme>
    <alias>顔文字</alias>
  </lexeme>
</lexicon>
</code>

プレーンテキスト

<code>
こんにちは ( ^)o(^ )
</code>

日本語で実行すると「こんにちは、かおもじ」と読み上げる。

alphabet に ipa と指定していても、alias 要素には関係ないようだ。


==== 発音の指定 ====

since 2018-07-31

日本語でも ipa や x-sampa で発音を指定できそうだが、あまり正しく再現されないようだ


SSML（PLSは使用せず phoneme タグで指定）

<code xml>
<speak><phoneme alphabet="ipa" ph='käkikɯkeko'>( ^)o(^ )</phoneme></speak>
</code>


日本語で実行すると「コーキクーケーコ」と読み上げているように聞こえる。


カナ文字で読みを指定できなさそう。
x-jeida は実装されていないようだ。


使用できる音素のリスト

  * https://docs.aws.amazon.com/polly/latest/dg/ph-table-japanese.html

PLS ファイルの記述例（英語の例）

  * https://docs.aws.amazon.com/ja_jp/polly/latest/dg/gs-put-lexicon.html


==== aiopolly ====

since 2019-11-20

SSML を python でラップするとこんな感じになるのか

https://github.com/MrMrRobat/aiopolly


===== 日本語TTSの実装 =====

以下 2010年から2011年にかけて書いていた記事です。

[[http://www.w3.org/TR/pronunciation-lexicon/|Pronunciation Lexicon Specification]] (PLS) は [[daisy]] でも利用される。

電子書籍変換ツール 
[[http://code.google.com/p/daisy-pipeline/wiki/TTSProductionWorkflow|daisy-pipeline]] 
で利用可能な PLS 対応エンジンが求められている。

DAISY4はEPUB3と協調しつつ標準化を進めている。

  * [[http://accessibility.mitsue.co.jp/archives/000059.html|音声合成記述言語 SSML 1.1]] ミツエーリンクスのBLOG
  * [[http://mainichi.jp/universalon/report/archive/news/2011/20110401mog00m040027000c.html|《電子書籍》肉声とのハイブリッド読み上げなどを検討－－ＴＴＳ推進協の第５回テキスト…]] ユニバーサロンリポート (毎日JP)

以下、オープンソース音声合成エンジンである
[[galateatalk]] および [[open-jtalk]] に基づいた
PLS 実装について検討する。

スクリーンリーダー [[nvdajp]] の実装に使っている [[project:libopenjtalk]] および [[project:ojt-python]] をベースに、
仕様を確認して、プロトタイプ実装をして、
daisy-pipeline に役立ててもらえる実装に発展させたい。

==== 現状 ====

TODO: 商用の日本語音声合成エンジンにおける SSML1.1 のサポート状況は？

=== GalateaTalk ===

GalateaTalk は
JEIDA-62-2000
[[http://galatea.sourceforge.jp/galatea-doc/main_p2_c8_ja.html|日本語テキスト音声合成用記号]]
を実装している。

読み表記に関して JEIDA-62-2000 は
[[http://www.itscj.ipsj.or.jp/ipsj-ts/02-04/main.htm|音声認識のための読み表記]] 情報処理学会 試行標準 IPSJ-TS 0004:2003
（[[http://www.itscj.ipsj.or.jp/ipsj-ts/02-04/tutr.htm|解説]]） とほぼ同一とされている。

[[http://sourceforge.jp/projects/galatea/wiki/JapaneseGalateaTalk|GalateaTalkのテキスト解析処理の詳細]] (sf.jp)

[[dialogstudio|Galatea Dialog Studio]]
のVoiceXML実装では、SSML 1.0 の一部の要素を JEIDA (JEITA) マークアップに変換して GalateaTalk に送っている。

=== Open JTalk ===
Open JTalk はマークアップを実装していない。

==== 要求仕様とテストケース ====

誰かが作り始めているのだと思うが。。

==== sub要素 ====

<code xml>
<?xml version="1.0" encoding='utf-8' ?>
<speak version="1.0" 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-synthesis/synthesis.xsd"
         xml:lang="ja">
    荒川区<sub alias="にっぽり">日暮里</sub>
</speak>
</code>


==== w要素 ====

サンプルを考えてみる。

<code xml>
<?xml version="1.0" encoding='utf-8' ?>
<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="ja">
  <token>東京都</token><token>文京区</token>
  茨城県<w>かすみがうら市</w>
</speak>
</code>

==== phoneme要素 ====

要確認：JEITA-2000 の発音表記文字セットの定義と、本当に下記のようにつかってもいいのかどうか。

下記ではアクセント記号「’」を使っている。

<code xml>
<?xml version="1.0" encoding='utf-8' ?>
<speak version="1.0" 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-synthesis/synthesis.xsd"
         xml:lang="ja">
  <phoneme alphabet="x-JEITA-2000" ph="と’まと"> トマト </phoneme>
</speak>
</code>