基于Node.js使用ACS与Bot Framework开发Telephony Bot发送SSML响应失败

当前开发场景与问题 #

• 开发环境：Node.js 技术栈，基于Azure Communication Services（ACS）、Bot Framework搭建电话接入类机器人（Telephony Bot）
• 异常表现：程序无法正常运行，对应的语音响应发送逻辑存在格式、API调用层面的问题

问题代码 #

let speech = `<speak
                version="1.0"
                xmlns="https://www.w3.org/2001/10/synthesis"
                xmlns:mstts="https://www.w3.org/2001/mstts"
                xml:lang="en-US">
                <voice name="en-US-JessaNeural">
                  <mstts:express-as type="cheerful">That'd be just amazing!</mstts:express-as>
                </voice>
                <voice name="ja-JP-Ayumi-Apollo">
                  <prosody pitch="+150%">素晴らしい!</prosody>
                </voice>
              </speak>`
session.send(speech);

原始代码中的speech字符串存在HTML实体转义残留，实际运行时会导致SSML解析失败

核心问题定位 #

• SSML内容转义错误：原始代码中的speech字符串被做了HTML实体转义，把标签尖括号、引号替换成了<、>、"这类转义字符，程序拿到内容后会当成纯文本处理，无法识别合法的语音合成标签结构
• API调用方式错误：旧版session.send是适配文本聊天通道的方法，直接传入整段SSML会被当成普通文本内容发送，语音通道无法正确触发语音合成流程
• 语音资源不兼容：代码中使用的ja-JP-Ayumi-Apollo为预览版语音模型，ACS Telephony通道的正式生产环境未对该模型做全量适配，会触发资源校验失败导致程序崩溃

修正方案 #

1. 还原SSML字符串的转义内容，保证标签结构完全符合W3C语音合成规范，无多余转义字符
2. 替换预览版语音名称为通道正式支持的稳定版模型，将ja-JP-Ayumi-Apollo替换为正式商用的ja-JP-NanamiNeural
3. 替换API调用方式，弃用旧版session.send，改用Bot Framework 4.x版本的context.sendActivity方法，将SSML内容赋值给活动的speak字段，避免把SSML当成纯文本发送
4. 检查本地ACS、Bot Framework相关依赖版本，确保和Telephony Bot的兼容版本匹配

修正后参考代码 #

const { ActivityTypes } = require('botbuilder');

// 构造合法可解析的SSML内容
const speechContent = `<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="en-US">
  <voice name="en-US-JessaNeural">
    <mstts:express-as type="cheerful">That'd be just amazing!</mstts:express-as>
  </voice>
  <voice name="ja-JP-NanamiNeural">
    <prosody pitch="+150%">素晴らしい!</prosody>
  </voice>
</speak>`;

// 发送适配语音通道的响应活动
await context.sendActivity({
  type: ActivityTypes.Message,
  text: 'That\'s great! 太棒了！',
  speak: speechContent
});

内容的提问来源于stack exchange，提问作者Sahil Saini