使用語音標記 - Amazon Polly
要求語音標記語音標記輸出

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

使用語音標記

要求語音標記

若要為輸入文字請求語音標記，請使用 synthesize-speech 命令。除了輸入文字，要傳回此中繼資料需要以下元素：

  • output-format

    傳回語音標記時，Amazon Polly 僅支援 JSON 格式。

    --output-format json

    如果您使用不受支援的輸出格式，Amazon Polly 會擲回例外狀況。

  • voice-id

    為確保中繼資料符合關聯的音訊串流，請指定相同的語音用來產生合成的語音音訊串流。可用的語音沒有相同的語音速率。如果您使用用於產生語音以外的聲音，中繼資料不會與音訊串流相符。

    --voice-id Joanna

  • speech-mark-types

    指定您想要的語音標記的類型。您可以請求任何或所有語音標記類型，但是必須至少指定一個類型。

    --speech-mark-types='["sentence", "word", "viseme", "ssml"]'

  • text-type

    純文字是 Amazon Polly 的預設輸入文字，因此text-type ssml如果要傳回 SSML 語音標記，則必須使用此文字。

  • outfile

    指定要寫入中繼資料的輸出檔案。

    MaryLamb.txt

 

下列 AWS CLI 範例會針對 Unix、Linux 和 macOS 進行格式化。對於 Windows，請將每行末尾的反斜線 (\) Unix 接續字元取代為脫字元 (^)，並在輸入文字周圍使用完整引號 (「)，並在內部標籤中使用單引號 (')。

aws polly synthesize-speech \
  --output-format json \
  --voice-id Voice ID \
  --text 'Input text' \
  --speech-mark-types='["sentence", "word", "viseme"]' \
  outfile

語音標記輸出

Amazon Polly 會在以行分隔的 JSON 串流中傳回語音標記物件。語音標記物件包含下列欄位：

  • 時間 – 從對應的音訊串流開始的時間戳記 (以毫秒為單位)

  • 類型-語音標記的類型（句子，單詞，語音或 ssml）

  • start — 輸入文字 (不包括 viseme 標記) 中物件開頭的偏移量 (以位元組為單位)

  • end — 輸入文字中物件結尾的偏移量 (不包括 viseme 標記) (以位元組為單位)

  • 值 – 這會根據語音標記的類型而異

    • SSML：<mark> SSML 標籤

    • 視素：視素名稱

    • 文字或句子：輸入文字的子字串，由開始和結束欄位分隔

例如，Amazon Polly 從文本中生成以下word語音標記對象「瑪麗有一隻小羊肉」：

{"time":373,"type":"word","start":5,"end":8,"value":"had"}

所述文字 (「had」) 在音訊串流開始後 373 毫秒起始，並在輸入文字的位元組 5 開始位元組 8 結束。

注意

此中繼資料是用於 Joannavoice-id。如果您使用另一個具相同輸入文字的語音，中繼資料可能不同。