互聯(lián)網(wǎng)以及和它相關(guān)的一切現(xiàn)在似乎隨處可見。您也許已經(jīng)試過接到夜間電話推銷員的語音電話、又或者曾經(jīng)接到過當(dāng)?shù)厮幍杲o您的處方通知?，F(xiàn)在，有一種新技術(shù)可以使用語音合成結(jié)合XML技術(shù)傳送語音信息了。

 
    以語音傳遞信息的手段并不是什么新東西。它是我們幾千年來一直使用的交流方法。而且，從一臺計算機(jī)那里接收到電話也并非什么新發(fā)明。許多語音技術(shù)到現(xiàn)在已經(jīng)大行其道了，從傳真機(jī)、自動撥號器到集成語音回復(fù)系統(tǒng)(IVR)。電話當(dāng)然是它最普遍的應(yīng)用。

    傳統(tǒng)的語音系統(tǒng)使用預(yù)先錄制好的樣本、詞典和音素來創(chuàng)建我們所聽到的聲音。然而，使用這種預(yù)先錄制的手段有很多問題。其中最普遍的問題之一就是缺少連貫性和變化。如果只有一種錄制好的語音版本，其中每個單詞或者聲音都只有一個樣本，那么很難讓計算機(jī)發(fā)出和普通陳述語句不同語調(diào)的疑問句。同樣困難的是讓計算機(jī)知道何時該用某種語調(diào)或者該用何種語調(diào)發(fā)音。

    為了幫助解決語音合成問題，W3C為語音合成標(biāo)記語言(Speech Synthesis Markup Language)創(chuàng)建了一種新的工作草稿。這種新的XML詞匯表可以使語音瀏覽器開發(fā)人員能夠控制一個語音合成器的創(chuàng)建方法。例如，開發(fā)者可以將命令包含進(jìn)音量中，并在合成語音模式的時候使用它。

    SSML規(guī)范基于Sun公司早期的一項名為JSpeeck Markup Language(JSML)的研究工作。JSML則是基于Java Speech API Markup Language。現(xiàn)在SSML是W3C語音研究工作組的工作稿。

    SSML語言的基本目標(biāo)是一個文本到語音(Text-To-Speech簡稱TTS)的處理器。一個TTS引擎獲得一個文本的集合并將它轉(zhuǎn)換為語音?，F(xiàn)在已經(jīng)有了幾種TTS應(yīng)用程序了，例如電話語音合成回復(fù)系統(tǒng)，以及為盲人設(shè)計的更高級的系統(tǒng)等等。特定文本集合的發(fā)音本身固有的不確定性是現(xiàn)有TTS系統(tǒng)的所面臨的主要難題之一。其他普遍一點(diǎn)的問題集中在單詞簡寫(如HTML)、拼寫和發(fā)音不同的單詞(如subpoena)等詞類的發(fā)音上。

    SSML語言的基礎(chǔ)元素指定了文本的格式。例如針對HTML，SSML語言提供了一種段落元素而且走得更遠(yuǎn)。因為它還提供了句子元素。通過像指定段落一樣指定句子的地址，包括起始地址和終止地址，TTS引擎就能更精確的生成語音。

    除了基本的格式，SSML還提供了功能來指定如何發(fā)某個預(yù)定的詞語或者詞語集合。這個功能由“say-as”元素來實(shí)現(xiàn)。它是SSML中一個非常有用的組件。它能讓你指定一個模板，這個模板描述如何發(fā)音某個單詞或者單詞集合。通過“say-as”，我們可以為縮寫的單詞指定如何發(fā)音，也可以為拼寫與發(fā)音不同的單詞指定發(fā)音。我們還可以列出數(shù)字和日期之間的區(qū)別?！皊ay-as”元素包含了對email地址、貨幣和電話號碼等的支持。

    我們也可以對文本提供一種語音學(xué)上的表達(dá)方式。例如，我們可以通過這種手段來指出美式英語和英式英語對potato單詞發(fā)音的不同。

    SSML語言的幾個高級屬性可以幫助我們讓TTS系統(tǒng)生成更人性化的聲音。我們可以使用“voice”元素指定男聲、女聲或者中性的聲音，而且還可以指定聲音所屬的年齡。我們可以使用這個元素來指定從4歲的男孩到75歲的老婦之間的任何聲音。

    我們還可以使用“emphasis”元素環(huán)繞那些需要強(qiáng)調(diào)或者比較次要的文本。我們還可以使用“break”元素告訴系統(tǒng)語音在某處應(yīng)該暫停。

    SSML語言最高級地特性之一體現(xiàn)在它地“prosody”元素上。通過它我們可以以某種指定地方式生成某個確定的文本集合的語音。我們可以指定聲音的語調(diào)、范圍、語速（單詞每分鐘）。我們甚至可以通過使用“contour”元素指定更細(xì)節(jié)的東西?！癱ontour”元素把語調(diào)和語速集成在了一起。通過指定一個文本集合的“contour”元素值，我們可以更精確的定義如何生成語音。