含连字符词汇致Google Text-to-Speech Timepoint时间异常咨询

问题场景 #

• 需求：通过Google Text-to-Speech生成MP3文件及v1beta1.Timepoint类型的时间点信息
• 技术栈：Java，google-cloud-texttospeech 2.4.0版本
• 异常表现：发送SSML字符串

  <speak>Hallo <mark name="p1s0"/>Schmetterlings-Arten.</speak>
  

  时，响应中Timepoint的time_seconds值为0
• 正常表现：将词汇替换为无连字符的Schmetterlingsarten后，time_seconds返回0.419，符合预期
• 语音配置参数：language_code="de-DE"、name="de-DE-Wavenet-E"、audio_encoding="MP3"、enable_time_pointing="SSML_MARK"
• 已尝试无效方案：更换标记名称、添加空格、使用其他标签、转义连字符等

原因分析 #

这是Google TTS引擎对德语带连字符复合词的文本解析与语音合成时序处理的特殊问题。带连字符的复合词会干扰引擎对<mark>标记与后续语音内容边界的识别逻辑，导致标记被错误判定为处于语音起始位置（时间0点）。

解决方案 #

1. 用<phoneme>标签指定词汇发音 #

通过强制指定带连字符词汇的发音规则，帮助引擎正确识别词汇边界，示例SSML：

<speak>Hallo <mark name="p1s0"/><phoneme alphabet="ipa" ph="ˈʃmɛtɐlɪŋsˌʔaʁtn̩">Schmetterlings-Arten</phoneme>.</speak>

注：德语词汇的IPA发音可通过权威德语词典或发音工具获取，确保发音准确。

2. 拆分词汇并添加停顿标记 #

将带连字符的复合词拆分为两部分，用<break>标签模拟自然停顿，让引擎清晰识别标记后的语音起始点，示例：

<speak>Hallo <mark name="p1s0"/>Schmetterlings<break time="50ms"/>Arten.</speak>

3. 升级库版本 #

2.4.0属于较早版本，后续版本大概率修复了这类语言特定的解析问题，建议升级到最新稳定版（如3.x系列）后重新测试。

注意事项 #

不需要对连字符做HTML转义（如-或‐），这类转义反而会让引擎无法正确识别词汇本身，加重时序识别错误。

内容的提问来源于stack exchange，提问作者sdo