Azure文本转语音：含书签的多语言SSML调用中文语音时触发内部服务器错误

问题分析 #

调用Azure文本转语音服务时，使用包含<bookmark>标签的SSML指定粤语语音（如yue-CN-YunSongNeural）出现内部服务器错误，核心诱因大概率是SSML根元素语言属性与目标语音语言不匹配，同时可能存在标签嵌套逻辑的隐性冲突。

修复步骤 #

• 修正根元素语言属性：将<speak>标签的xml:lang改为与目标语音一致的yue-CN，消除语言上下文的解析冲突。
• 校验标签嵌套合法性：确保<bookmark>未被错误嵌套在部分语音不兼容的元素层级内（比如部分神经语音对<prosody>内的附加标签有严格解析要求）。

修正后的SSML示例 #

<speak xmlns="http://www.w3.org/2001/10/synthesis" 
       xmlns:mstts="http://www.w3.org/2001/mstts" 
       xmlns:emo="http://www.w3.org/2009/10/emotionml" 
       version="1.0" 
       xml:lang="yue-CN">
  <voice name="yue-CN-YunSongNeural">
    <prosody rate="0%" pitch="0%">
      试用唔同嘅语言同声音。改变语速同音调。你甚至可以调整SSML（语音合成标记语言），嚟控制文本唔同部分嘅声音效果。单击上面嘅 SSML 试用一下！
      <bookmark mark="pronounce_1" />
      请尽情使用文本转语音功能！
    </prosody>
  </voice>
</speak>

额外排查建议 #

• 用简化SSML逐步测试：先移除<prosody>标签，仅保留<voice>和<bookmark>验证基础功能，再逐步添加元素定位问题点。
• 确认语音的标签支持范围：虽然Azure神经语音普遍支持<bookmark>，但可通过官方文档确认yue-CN-YunSongNeural的具体SSML兼容列表。

内容的提问来源于stack exchange，提问作者Jiasheng Foon