markers - 如何从 Google Cloud text-to-speech API 获取 SSML <mark> 时间戳

Question

我想用SSML markers通过 Google Cloud text-to-speech API 请求音频流中这些标记的时间。这些时间戳是必要的，以便为用户提供效果提示、单词/部分突出显示和反馈。

我找到了 this question这是相关的，尽管问题是指每个单词的时间戳而不是 SSML <mark>标签。

以下 API 请求返回 OK，但显示缺少请求的标记数据。这是使用 Cloud Text-to-Speech API v1 .

{
 "voice": {
  "languageCode": "en-US"
 },
 "input": {
  "ssml": "<speak>First, <mark name=\"a\"/> second, <mark name=\"b\"/> third.</speak>"
 },
 "audioConfig": {
  "audioEncoding": "mp3"
 }
} 

回复:

{
 "audioContent":"//NExAAAAANIAAAAABcFAThYGJqMWA..."
}

它只提供没有任何上下文信息的合成音频。

是否有我忽略的 API 请求可以公开有关这些标记的信息，例如 IBM Watson 的情况和 Amazon Polly ?

Answer 1

看起来这在 Cloud Text-to-Speech API v1beta1 中受支持:https://cloud.google.com/text-to-speech/docs/reference/rest/v1beta1/text/synthesize#TimepointType
您可以使用 https://texttospeech.googleapis.com/v1beta1/text:synthesize .套装TimepointType至 SSML_MARK .如果未设置此字段，则默认不返回时间点。