Azure文本转语音API添加停顿问题求助

问题根源 #

你当前的代码使用createTextNode将包含<break>等SSML标签的$mytext直接作为文本节点插入DOM树，DOMDocument会自动将标签中的特殊字符转义为HTML实体（例如<变成<）。这导致Azure文本转语音API无法识别这些标签，只会把它们当成普通文本朗读。而在Speech Studio中直接使用未转义的原始SSML，所以能正常解析停顿。

解决方案 #

需要将$mytext中的普通文本和SSML标签拆分，分别创建对应的文本节点和元素节点，避免标签被转义。以下提供两种可行的实现方式：

方式1：基于自定义标记拆分处理 #

假设你用[break]作为停顿标记（可根据需求替换为你的特定字符），先将文本拆分，再逐个创建节点：

// 替换原来的$text = $doc->createTextNode( "$mytext" ); 及后续append代码
// 拆分文本，按自定义标记分割
$parts = explode('[break]', $mytext);

foreach ($parts as $index => $part) {
    // 添加普通文本节点
    if (!empty($part)) {
        $textNode = $doc->createTextNode($part);
        $prosody->appendChild($textNode);
    }
    // 不是最后一个部分，添加break标签
    if ($index < count($parts) - 1) {
        $breakNode = $doc->createElement('break');
        $breakNode->setAttribute('strength', 'medium'); // 可根据需求调整停顿强度
        $prosody->appendChild($breakNode);
    }
}

方式2：直接解析文本中的SSML标签 #

如果你的$mytext已经包含<break>等SSML标签，可以用DOMDocument加载文本片段，再导入节点：

// 替换原来的$text = $doc->createTextNode( "$mytext" ); 及后续append代码
// 创建临时DOM文档加载文本片段
$tempDoc = new DOMDocument();
// 包装成一个临时元素，避免XML格式问题
$tempDoc->loadXML("<temp>$mytext</temp>");

// 将临时元素的子节点导入到当前文档，并添加到prosody中
foreach ($tempDoc->documentElement->childNodes as $node) {
    $importedNode = $doc->importNode($node, true);
    $prosody->appendChild($importedNode);
}

验证修改效果 #

修改后生成的SSML中，<break>标签会作为正常的XML元素存在，而不是转义后的实体。例如正确的SSML结构应该是：

<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="it-IT">
<voice name="en-US-JennyNeural">
<mstts:express-as style="whispering">
<prosody rate="xx.00%" pitch="xx.00%">
1. first point: <break strength="medium" />
lore lipso bla bla.
</prosody>
</mstts:express-as>
</voice>
</speak>

内容的提问来源于stack exchange，提问作者fedep11