話速Microsoft Bing Speech API - 音声テキスト

Question

以下のGitHubリポジトリを使用してテキストから音声を生成するサンプルアプリケーションに従ってきました。

https://github.com/Azure-Samples/Cognitive-Speech-TTS/tree/master/Samples-Http/CSharp

私のアプリケーションは唯一の問題は、各単語の後にレートまたはブレーク/一時停止を話すで細かい実行されています。

入力テキスト：Y U 7 F S D 2 3電子

後、私が使用しているサンプルSSMLです：

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="en-IN"><voice xml:lang="en-IN" name="Microsoft Server Speech Text to Speech Voice (en-IN, Ravi, Apollo)">y u 7 f s d 2 3 e</voice></speak>

を私はすべてのアルファベットの後に一時停止します。このオーディオを使用して、オーディオモードでキャプチャテキストを取得しています。

正しいアプローチを提案してください。

P.S：コピー貼り付けでコード全体を繰り返す必要はありません。 （GITのサンプルを使用して）

私は下のリンクからのコメントの中で、会話を続けています。

https://docs.microsoft.com/en-us/azure/cognitive-services/speech/home

Answer 1

この - > "Y"。 "u"。 "7"。 "f"。 "s"。 "d"。 "2"。 "3"。 "e"。 < - これは、ビン音声Webページのテストで動作します。 あなたにとってもうまくいくはずです。 ここにはSSMLがあります：

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="en-US"> 
    <voice xml:lang="en-US" name="Microsoft Server Speech Text to Speech Voice (en-US, ZiraRUS)">&quot;y&quot;. &quot;u&quot;. &quot;7&quot;. &quot;f&quot;. &quot;s&quot;. &quot;d&quot;. &quot;2&quot;. &quot;3&quot;. &quot;e&quot;. 
    </voice> 
</speak>