Android端谷歌Text-to-Speech API的SSML转换与停顿失效排查

• 接口入参类型错配：安卓端谷歌TTS的setText()接口仅支持接收纯文本内容，本身不做SSML标签解析，直接把带<speak>标签的字符串通过setText()传入时，标签会被当作普通文本拼读，同时也无法触发TTS的标签语义解析逻辑，才会出现音频生硬、读标签文本的问题。
• SSML生成环节的入参逻辑错位：谷歌官方提供的纯文本转合规SSML的工具方法，核心作用是给用户输入的纯文本自动补全合规<speak>根标签、转义特殊字符，入参要求是待处理的原始文本字符串，你误将已生成的MP3文件路径作为入参传入时，工具无法识别文件路径内容，自然无法生成带停顿标记的有效SSML结构。
• 合成链路的参数传递断链：就算成功生成了带停顿标记的SSML内容，如果后续合成请求仍然用纯文本通道传递内容，SSML里的<break time="2s"/>停顿标记会被过滤，最终生成的音频自然没有停顿效果。

• 基础环境配置
  确保项目已接入谷歌Text-to-Speech API的安卓适配SDK，完成API鉴权配置，保证基础合成能力可正常连通。
• 构造符合规范的SSML内容
  针对“朗读Step 1后停顿2秒、再朗读take a deep breath”的需求，直接构造W3C合规的SSML字符串即可，不需要复杂的纯文本通用转换逻辑：

<speak>
  Step 1
  <break time="2s" />
  take a deep breath
</speak>

如果要复用官方提供的纯文本转SSML工具，必须将上述构造好的文本结构作为入参传给方法，严禁传入本地音频文件路径。

• 正确调用合成接口
  构造SynthesisInput合成输入对象时，必须调用SSML专属的设置方法传入内容，不要使用纯文本方法：
• 调用SynthesisInput.newBuilder().setSsml(你构造好的SSML字符串).build()完成输入配置
• 音色配置选择Neural2/WaveNet类的拟真人音色，匹配适配的语速、音调参数，避免生成音频生硬机械
• 执行合成流程
  发送合成请求拿到返回的音频二进制流后，再写入本地存储为MP3文件，整个流程中所有涉及SSML处理的环节，只传递文本类内容，不传递文件路径、二进制音频流类参数。

内容的提问来源于stack exchange，提问作者xRay