W programie typu "test to speech" (TTS) zastosowanie znaczników SSML umożliwia
A. określenie formatu pliku wyjściowego.
B. konfigurację sposobu wypowiadania wybranej części tekstu.
C. poprawę wymowy za pomocą dedykowanych słowników.
D. konfigurację sposobu wyświetlania tekstu w programie.
Pytanie z egzaminu CKE, styczeń 2021 (arkusz EE.07-SG-21.01).
SSML, czyli Speech Synthesis Markup Language, to taki specjalny język znaczników, który pozwala sterować w szczegółowy sposób tym, jak syntezator mowy (TTS) odczytuje tekst. I moim zdaniem, to jest właśnie esencja pracy z profesjonalnym TTS-em – nie tylko wrzucamy tekst, ale faktycznie możemy decydować o tym, jak on zabrzmi. Dzięki SSML możemy np. ustawić pauzy, zmienić ton głosu, podkreślić wybrane frazy, a nawet sterować tempem i głośnością. To wszystko ma ogromne znaczenie, zwłaszcza kiedy zależy nam na naturalności lub chcemy, by komunikaty były bardziej zrozumiałe dla użytkowników. Wyobraź sobie system informacyjny na dworcu albo książkę audio: bez SSML głos byłby monotonny i często nienaturalny. A tak, przy pomocy chociażby tagów <break> (pauza), <prosody> (zmiana tempa czy wysokości głosu) czy <emphasis> (podkreślenie), dokładnie ustawiamy, jak mają zabrzmieć konkretne fragmenty tekstu. W praktyce, to jest standard branżowy wspierany przez najpopularniejsze narzędzia TTS: Google Cloud Text-to-Speech, Amazon Polly, Microsoft Azure TTS i wiele innych. Dobrym zwyczajem jest testowanie różnych ustawień SSML, żeby znaleźć najbardziej naturalny sposób przekazania tekstu – szczególnie w projektach, gdzie doświadczenie użytkownika odgrywa kluczową rolę. Takie możliwości daje właśnie SSML – precyzyjna kontrola nad wypowiadaniem tekstu, a nie tylko sucha konwersja znaków na mowę.
Przy projektowaniu i wdrażaniu rozwiązań TTS łatwo popełnić błąd, myląc pojęcia związane z przetwarzaniem dźwięku, analizą tekstu czy konfiguracją systemu. W przypadku SSML, często można natknąć się na przekonanie, że dotyczy on formatu pliku wyjściowego – tymczasem rzeczywista rola SSML polega na sterowaniu sposobem wypowiadania tekstu przez syntezator, a nie na definiowaniu, czy wynik będzie w MP3, WAV czy innym formacie. Za wybór formatu odpowiadają ustawienia samego programu TTS lub interfejsu API, a nie znaczniki w tekście. Podobnie, SSML nie służy do konfigurowania wyglądu tekstu w programach – ta funkcjonalność jest domeną edytorów tekstu czy systemów typograficznych, a nie narzędzi do syntezy mowy. Sformułowanie „konfiguracja sposobu wyświetlania tekstu” dotyczy raczej GUI lub edytorów treści, co w kontekście TTS zupełnie mija się z celem. Również poprawa wymowy za pomocą dedykowanych słowników to zupełnie inna kategoria – tutaj korzysta się z tzw. custom pronunciation lexicons, które pozwalają określić wymowę trudnych słów lub nazw własnych, ale nie mają one związku ze znacznikami SSML; to raczej osobny moduł lub plik, który przechowuje pary wyraz-wymowa. W praktyce, typowym błędem jest utożsamianie SSML z jakąkolwiek formą zaawansowanej konfiguracji wyjścia – a przecież jego jedynym zadaniem jest umożliwienie precyzyjnej kontroli nad wypowiadaniem tekstu: gdzie zrobić pauzę, jak wymawiać liczby, jakie emocje przekazać w głosie. Sam wielokrotnie widziałem, jak te nieporozumienia prowadzą do frustracji podczas integracji TTS w systemach – ktoś próbuje zmienić format pliku przez SSML, a potem się dziwi, że nic się nie dzieje. Warto więc pamiętać, że SSML to narzędzie do kreowania brzmienia wypowiedzi, a nie do zarządzania plikami czy wyglądem tekstu.