为何SSML的contour标签无法改变音频的Hz值？

问题详情 #

我从W3C获取了包含contour标签的SSML代码，但使用AVSpeechUtterance(ssmlRepresentation:)初始化语音 utterance 时，contour标签完全不起作用——音频始终保持同一音调，无法按标签指定的Hz值调整。

环境信息 #

• Xcode 15.3
• iPhone 8（iOS 16.7.5）
• Swift 语言

使用的SSML代码 #

<?xml version="1.0"?>
<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="en-US">
  <prosody contour="(0%,90Hz) (40%,90Hz) (0%,90Hz)">
    good morning
  </prosody>
</speak>

Swift 实现代码 #

override func viewDidLoad() {
    super.viewDidLoad()
    
    guard let localUtterance = AVSpeechUtterance(ssmlRepresentation: self.speechSML) else {
        print("SML did not work.")
        return
    }
    self.utterance = localUtterance
    self.utterance.voice = self.voiceNoelle
}

self.synthesizer.speak(self.utterance)

解决方案 #

原因分析 #

iOS的AVSpeechSynthesizer对SSML的支持是部分实现，并未完全遵循W3C的SSML 1.1标准。其中prosody标签的contour属性属于未被支持的特性，即使传入符合标准的SSML，语音合成引擎也会直接忽略该属性。

替代实现方式 #

如果需要调整语音音调，可以使用iOS原生支持的方案：

1. 全局调整音调（pitchMultiplier）
   通过AVSpeechUtterance的pitchMultiplier属性直接设置整体音调，取值范围为0.5（低音）到2.0（高音），默认值为1.0：

   self.utterance.pitchMultiplier = 0.8 // 降低音调
   // 或
   self.utterance.pitchMultiplier = 1.5 // 升高音调
   

2. 分段调整音调
   若需要对文本不同部分设置不同音调，可将文本拆分为多个AVSpeechUtterance实例，分别配置pitchMultiplier后依次播放：

   let part1 = AVSpeechUtterance(string: "good")
   part1.pitchMultiplier = 0.7
   part1.voice = self.voiceNoelle
   
   let part2 = AVSpeechUtterance(string: " morning")
   part2.pitchMultiplier = 1.2
   part2.voice = self.voiceNoelle
   
   synthesizer.speak(part1)
   synthesizer.speak(part2)
   

注意事项 #

• iOS仅支持SSML的部分核心标签，比如speak、prosody（仅支持rate、volume、pitch属性）、break等，具体支持范围以Apple官方文档为准。
• 不同语音包（如你使用的Noelle）对音调调整的响应存在差异，建议根据实际需求测试参数。

内容的提问来源于stack exchange，提问作者daniel