CSS Speech Module

3.1. 値~定義

【 この節の内容は `~CSS日本語訳 共通~page＠~CSScommon#values$に移譲。 】

6.1. `voice-volume^p ~prop

`voice-volume$p ~propは、 発話~合成器から生成される音声~波形の振幅を，作者が制御できるようにする。 また、 `聴覚-~box~model$の中での，要素の`音声~cue$の相対的な出力音量~levelの調整-時にも利用される。 ◎ The voice-volume property allows authors to control the amplitude of the audio waveform generated by the speech synthesizer, and is also used to adjust the relative volume level of audio cues within the aural box model of the selected element.

注記： この~propが供する機能性は， `~SSML$の `prosody$sS 要素の `volume^a 属性に類似するが、 留意すべき不一致がある。 例えば，この~propに対する［ ~keyword ／ `decibel$t ］値は、 要素に継承された値と組合せる方法があることに因り，排他的でない。 ◎ Note: Although the functionality provided by this property is similar to the volume attribute of the prosody element from the SSML markup language [SSML], there are notable discrepancies. For example, CSS Speech volume keywords and decibels units are not mutually-exclusive, due to how values are inherited and combined for selected elements.

`silent@v

（大きさのある）音は生成されない（~textは “無音に” 読まれる）ことを指定する。 ◎ Specifies that no sound is generated (the text is read "silently").

注記： これは、 負な無限大~decibelの利用と同じ効果になることに注意。 また、 `voice-volume$p ~propの値が `silent$v にされた要素と, `speak$p ~propの値が `none^v にされた要素との間には，相違があることにも注意。 前者では、 要素は，前後の~pauseも含め，それが発話されたかのように同じ時間を占めつつ, 大きさのある音は生成されない （ただし，要素の`聴覚-~box~model$の中の子孫は、 `voice-volume$p 値を上書きできるので，音声~出力を生成し得る）。 一方で後者では、 要素は`聴覚-次元$の中に音声化されず，再生~用の時間も割振られていない （ただし，要素の`聴覚-~box~model$の中の子孫は、 `speak$p 値を上書きできるので，音声~出力を生成し得る）。 ◎ Note: This has the same effect as using negative infinity decibels. Also note that there is a difference between an element whose voice-volume property has a value of silent, and an element whose speak property has the value none. With the former, the selected element takes up the same time as if it was spoken, including any pause before and after the element, but no sound is generated (and descendants within the aural box model of the selected element can override the voice-volume value, and may therefore generate audio output). With the latter, the selected element is not rendered in the aural dimension and no time is allocated for playback (descendants within the aural box model of the selected element can override the speak value, and may therefore generate audio output).

`x-soft@v

`soft@v

`medium@v

`loud@v

`x-loud@v

これら各~keywordは、［ 知覚される聴感音量（ `loudness^en ）に関する聴取者の要件を満たす出力音量~level ］に対応する値に対応付けられ，実装に依存する。 後に挙げたものほど，大きくなる（厳密には，より小さくない）。 これらの音声~levelは、 概して，選好の仕組み — ［ 各自の聴感~環境に則って，音についての~optionを較正する ］ことを利用者に許容する仕組み — を介して供される。 ◎ This sequence of keywords corresponds to monotonically non-decreasing volume levels, mapped to implementation-dependent values that meet the listener’s requirements with regards to perceived loudness. These audio levels are typically provided via a preference mechanism that allow users to calibrate sound options according to their auditory environment.＼

これら各~keywordは、 次に対応付けられる ⇒＃ `x-soft^v は利用者が`聴取れる最小^emな出力音量~level／ `x-loud^v は利用者が`容認し得る最大^emな出力音量~level／ `medium^v は利用者が `選好する^em出力音量~level／ `soft^v は `x-soft^v と `medium^v の中間の値／ `loud^v は `x-loud^v と `medium^v の中間の値 ◎ The keyword x-soft maps to the user’s minimum audible volume level, x-loud maps to the user’s maximum tolerable volume level, medium maps to the user’s preferred volume level, soft and loud map to intermediary values.

`decibel$t

次に挙げるいずれかの値に相対的な（正な／負な）変化を表現する： ◎ This represents a change (positive or negative) relative ＼

1. （上に列挙した）~keyword値も与えられた場合、 それに対応する値。 ◎ the given keyword value (see enumeration above),＼
2. 他の場合，`根~要素$に対しては既定~値 【すなわち，初期~値】。 ◎ or to the default value for the root element,＼

3. 他の場合，継承された出力音量~level （それ自身，~keyword値と~decibel~offsetの組合nをとり得る — この場合の~decibel値は加法的に組合され得る）。 ◎ or otherwise to the inherited volume level (which may itself be a combination of a keyword value and decibel offset, in which case the decibel values are combined additively).＼

   この場合，継承された出力音量~levelが `silent$v のときは、 この `voice-volume$p も — 指定された `decibel$t 値を問わず — `silent$v に解決される。 ◎ When the inherited volume level is silent, this voice-volume resolves to silent too, regardless of the specified <decibel> value.

`decibel@t 型は、 単位~識別子 `dB^u （~decibel単位）を伴う`次元$を表す。 ~decibelは、［ 現在の振幅 %a0 に対する新たな信号~振幅 %a1 の比率 ］の 2 乗を表現する — 次の対数-等式に従うような ⇒ 出力音量（ dB ） = 20 ~MUL log₁₀ ( %a1 ~DIV %a0 ) ◎ The <decibel> type denotes a dimension with a "dB" (decibel unit) unit identifier. Decibels represent the ratio of the squares of the new signal amplitude a1 and the current amplitude a0, as per the following logarithmic equation: volume(dB) = 20 × log10(a1 / a0).

注記： ［ −6.0dB ／ +6.0dB ］は、 音声~信号の振幅において，およそ［ 半分／ 2 倍 ］になる。 ◎ Note: -6.0dB is approximately half the amplitude of the audio signal, and +6.0dB is approximately twice the amplitude.

注記： 知覚される聴感音量は、 様々な要因 — 利用者の［ 聴取~環境, 選好, 身体能力 ］など — に依存することに注意。 `x-soft$v から `x-loud$v までの有効な出力音量の変動範囲は、 音声~出力の（聴感音量~上の）~dynamic-rangeを表現する。 この範囲は概して，騒がしい環境下では圧縮されることになろう — すなわち、 `x-soft$v に対応する 知覚される聴感音量は，静かな環境下のときより実質的に `x-loud$v に近付くことになろう。 また、 思慮分別が~~求められる聴取~環境（例：図書館や夜中の読書）など，［ `x-soft$v, `x-loud$v ］どちらも低い出力音量~levelに対応付けられる状況もあろう。 ◎ Note: Perceived loudness depends on various factors, such as the listening environment, user preferences or physical abilities. The effective volume variation between x-soft and x-loud represents the dynamic range (in terms of loudness) of the audio output. Typically, this range would be compressed in a noisy context, i.e. the perceived loudness corresponding to x-soft would effectively be closer to x-loud than it would be in a quiet environment. There may also be situations where both x-soft and x-loud would map to low volume levels, such as in listening environments requiring discretion (e.g. library, night-reading).

6.2. `voice-balance^p ~prop

`voice-balance$p ~propは、 音響~stageにおける［ 側面方向 — 聴取者から見て，左手側にある端から右手側にある端まで — にまたがる，音声~出力の空間的な分布 ］を制御する。 作者は、 左右端の中間~段階を指定して，結果における［ 左右軸に沿った音声~分離 ］を表現できる。 ◎ The voice-balance property controls the spatial distribution of audio output across a lateral sound stage: one extremity is on the left, the other extremity is on the right hand side, relative to the listener’s position. Authors can specify intermediary steps between left hand right extremities, to represent the audio separation along the resulting left-right axis.

注記： `~SSML$には、 この~propが供する機能性に合致するものは無い。 ◎ Note: The functionality provided by this property has no match in the SSML markup language [SSML].

`number$t

−100 以上 100 以下の実数。 範囲~外の値は範囲~内に切詰められる。 負な数は左側を表現し, 正な数は右側を表現する。 `0^v は、 左右の音声~分離を聴き分け得ない，中央~点を表現する （~stereo音響~systemの下では、 これは，左右~speakerへの音声~信号の分布が等しいことに対応する）。 ◎ A number between -100 and 100 (inclusive). Values smaller than -100 are clamped to -100. Values greater than 100 are clamped to 100. The value -100 represents the left side, and the value 100 represents the right side. The value 0 represents the center point whereby there is no discernible audio separation between left and right sides. (In a stereo sound system, this corresponds to equal distribution of audio signals between left and right speakers).

`left@v

`-100^v と同じ。 ◎ Same as -100.

`center@v

`0^v と同じ。 ◎ Same as 0.

`right@v

`100^v と同じ。 ◎ Same as 100.

`leftwards@v

音を左へ移動させる — `voice-balance$p の継承d値から 20 を減算する（および −100 以上に切上げる）ことにより。 ◎ Moves the sound to the left by subtracting 20 from the inherited voice-balance value (and by clamping the resulting number to -100).

`rightwards@v

音を右へ移動させる — `voice-balance$p の継承d値に 20 を加算する（および 100 以下に切下げる）ことにより。 ◎ Moves the sound to the right, by adding 20 to the inherited voice-balance value (and by clamping the resulting number to 100).

~UAに接続される音響~systemに備わる音声~mixingには、 その特能として様々な能力があり得る。 ［ ~mono, ~stereo, ~surround ］音響~systemに期待される挙動は、 次に従って定義される： ◎ User agents can be connected to different kinds of sound systems, featuring varying audio mixing capabilities. The expected behavior for mono, stereo, and surround sound systems is defined as follows:

• ~UAが~mono-aural（すなわち，単独の~speakerからなる）音響~systemを通して音声を生産する下では、 `voice-balance$p ~propの効果は無い。 ◎ When user agents produce audio via a mono-aural sound system (i.e. single-speaker setup), the voice-balance property has no effect.
• ~UAが~stereo音響~system（例：~headphoneや 2 個の~speaker）を通して音声を生産する下では、 音声~信号の左右間の分布は， `voice-balance$p ~prop用に著作された値に精確に合致し得る。 ◎ When user agents produce audio through a stereo sound system (e.g. two speakers, or a pair of headphones), the left-right distribution of audio signals can precisely match the authored values for the voice-balance property.
• ~UAが多~channel （例：専用の中央~channelも備える 5 個の~speakerからなる~surround音響~system） を通した音声~信号の~mixingも可能な下では、 `voice-balance$p ~propの適用による結果の 音声~信号の物理的な分布は、 聴取者からは，基本的な~stereo~layoutから音が鳴らされているかのように知覚されるべきである。 例えば、 `center$v 値の挙動を模倣するために，中央~channelも左右~speakerと併用されてもヨイ。 ◎ When user agents are capable of mixing audio signals through more than 2 channels (e.g. 5-speakers surround sound system, including a dedicated center channel), the physical distribution of audio signals resulting from the application of the voice-balance property should be performed so that the listener perceives sound as if it was coming from a basic stereo layout. For example, the center channel as well as the left/right speakers may be used all together in order to emulate the behavior of the center value.

この~moduleの将来の改訂には、 作者が実質的に “方位角” と “仰角” の値を指定できるような， 三次元な音声~用の~supportも含められ得る。 したがって，現在の仕様を利用して著作された内容は、将来には［ この仕様の~versionのうち，三次元な音声を~supportするもの ］に準拠する~UAからも消費され得る。 この可能性に備えるため、 現在の `voice-balance$p ~propに可能化されている値は， “方位角” による角度との互換性が維持されるように設計されている。 より精確には、［ 現在の左右間の音声~軸（側面方向の音響~stage） ］と［ 聴取者から見た周囲 360 度 平面 ］との対応付けが，次に従って定義される： ◎ Future revisions of the CSS Speech module may include support for three-dimensional audio, which would effectively enable authors to specify “azimuth” and “elevation” values. In the future, content authored using the current specification may therefore be consumed by user agents which are compliant with the version of CSS Speech that supports three-dimensional audio. In order to prepare for this possibility, the values enabled by the current voice-balance property are designed to remain compatible with “azimuth” angles. More precisely, the mapping between the current left-right audio axis (lateral sound stage) and the envisioned 360 degrees plane around the listener’s position is defined as follows:

• 値 `0^v は、 0 度（ `center$v ）に対応付けられる。 これは、 聴取者の “背後から” ではなく， “正面から” になる。 ◎ The value 0 maps to zero degrees (center). This is in "front" of the listener, not from "behind".
• 値 `-100^v は， −40 度（ `left$v ）に対応付けられる。 負な角度は，（音声~stageを真上から眺めて）反時計回りの方向を表す。 ◎ The value -100 maps to -40 degrees (left). Negative angles are in the counter-clockwise direction (the audio stage is seen from the top).
• 値 `100^v は， 40 度（ `right$v ）に対応付けられる。 正な角度は，（音声~stageを真上から眺めて）時計回りの方向を表す。 ◎ The value 100 maps to 40 degrees (right). Positive angles are in the clockwise direction (the audio stage is seen from the top).
• −100 以上 100 以下の尺度による値は、 数値的に線形に比例するように， −40 度~以上 40 度~以下の角度に対応付けられる。 例えば， −50 は −20 度に対応付けられる。 ◎ Intermediary values on the scale from 100 to 100 map to the angles between -40 and 40 degrees in a numerically linearly-proportional manner. For example, -50 maps to -20 degrees.

注記： 利用者は 音響~systemを環境設定することもあるので、 文書~作者により指定される左右間の音声~分布は，それに干渉され得ることに注意。 現代の音響~systemは，概して、 様々な “~surround” ~modeを備えており （基本的な~stereo~speaker~systemも含む）、 知覚される音声~信号の空間的な~layoutが大きく改められる傾向にある。 三次元な音響~stageによる錯覚効果は、［ 位相変位, ~digital遅延, 出力音量~制御（~channel~mixing）, その他の技法 ］の組合nを利用して達成されることが多い。 一部の利用者は、 自身の~systemを［ 音声化される音を単独の~mono~channelに “~downgrade” する ］ことすらある — この場合、 `voice-balance$p ~propの効果は，明白に知覚し得なくなる。 したがって，著作された内容の音声化における忠実さは、 利用者による そのような~custom化に依存する。 `voice-balance$p ~propは、 単に欲される最終結果を指定するものに過ぎない。 ◎ Note: Sound systems can be configured by users in such a way that it would interfere with the left-right audio distribution specified by document authors. Typically, the various “surround” modes available in modern sound systems (including systems based on basic stereo speakers) tend to greatly alter the perceived spatial arrangement of audio signals. The illusion of a three-dimensional sound stage is often achieved using a combination of phase shifting, digital delay, volume control (channel mixing), and other techniques. Some users may even configure their system to “downgrade” any rendered sound to a single mono channel, in which case the effect of the voice-balance property would obviously not be perceivable at all. The rendering fidelity of authored content is therefore dependent on such user customizations, and the voice-balance property merely specifies the desired end-result.

注記： 多くの発話~合成器は、 ~mono音しか生成しないので， `voice-balance$p ~propを内在的に~supportしないことに注意。 そのため、 左右軸に沿う音の分布は，合成の後処理~段 （発話が可能化された~UAが，文書~内に著作された様々な音声~sourceを混合する段） で生じる。 ◎ Note: Many speech synthesizers only generate mono sound, and therefore do not intrinsically support the voice-balance property. The sound distribution along the left-right axis consequently occurs at post-synthesis stage (when the speech-enabled user agent mixes the various audio sources authored within the document)

7.1. `speak^p ~prop

`speak$p ~propは、 ~textを音声化するかどうかを決定する。 ◎ The speak property determines whether or not to render text aurally.

注記： `~SSML$には、 この~propが供する機能性に合致するものは無い。 ◎ Note: The functionality provided by this property has no match in the SSML markup language [SSML].

`auto@v

算出d値は、 `display$p に応じて［ `none^v ならば `never$v ／ ~ELSE_ `auto$v ］に解決される。 算出d値 `auto$v の使用~値は、 `visibility$p に応じて［ `visible^v ならば `always$v ／ ~ELSE_ `never$v ］に等価になる。 ◎ Resolves to a computed value of never when display is none, otherwise resolves to a computed value of auto. The used value of a computed auto is equivalent to always if visibility is visible and to never otherwise.

注記： `display$p ~propの `none^v 値は，要素の子孫からは上書きされ得ない一方で、 `speak$p の `auto$v 値は， `never$v や `always$v 利用して上書きできることに注意。 ◎ Note: The none value of the display property cannot be overridden by descendants of the selected element, but the auto value of speak can however be overridden using either of never or always.

`never@v

この値は、 （~pause, ~cue, ~rest, 実際の内容も含め） 要素が音声化されないようにする （すなわち，要素は`聴覚-次元$の下では効果を持たなくなる）。 ◎ This value causes an element (including pauses, cues, rests and actual content) to not be rendered (i.e., the element has no effect in the aural dimension).

注記： 影響される要素の子孫では，この値の上書きが許容されるので、 この~levelで `display$p に `none^v を利用していたとしても，子孫は実際に音声化の一部を成し得ることに注意。 しかしながら、 先祖~要素の［ ~pause, ~cue, ~rest ］は，`聴覚-次元$の下では “作動中でない” ままにされるため、 `~pauseの相殺$や［ 連接している~restにおける加法的な挙動 ］には，寄与しない。 ◎ Note: Any of the descendants of the affected element are allowed to override this value, so descendants can actually take part in the aural rendering despite using display: none at this level. However, the pauses, cues, and rests of the ancestor element remain “deactivated” in the aural dimension, and therefore do not contribute to the collapsing of pauses or additive behavior of adjoining rests.

`always@v

要素は音声化される （要素の `display$p 値や先祖の［ `display$p ／ `speak$p ］値に関わらず）。 ◎ The element is rendered aurally (regardless of its display value, or the display or speak values of its ancestors).

注記： この値の利用により、 要素は，視覚的な~canvasには描画されなくても，`聴覚-次元$の下では音声化されるようになることに注意。 ◎ Note: Using this value can result in the element being rendered in the aural dimension even though it would not be rendered on the visual canvas.

7.2. `speak-as^p ~prop

`speak-as$p ~propは、 定義済みな~~選択肢に基づいて，~textがどの方式で音声化されるかを決定する。 ◎ The speak-as property determines in what manner text gets rendered aurally, based upon a predefined list of possibilities.

注記： この~propが供する機能性は、 `~SSML$の `say-as$sS 要素に概念的に類似することに注意 （アリな値は `SSML-SAYAS$r にて述べられている）。 設計~目標は類似するが、 ~CSS~modelでは，発音~規則の基本的な集合に制限される。 ◎ Note: The functionality provided by this property is conceptually similar to the say-as element from the SSML markup language [SSML] (whose possible values are described in the [SSML-SAYAS] W3C Note). Although the design goals are similar, the CSS model is limited to a basic set of pronunciation rules.

`normal@v

要素の内容の音声化に，自然言語に依存する発音~規則を利用する。 例えば約物は、 そのまま発話されることなく， 代わりに適切な~pauseとして “自然に” 音声化される。 ◎ Uses language-dependent pronunciation rules for rendering the element’s content. For example, punctuation is not spoken as-is, but instead rendered naturally as appropriate pauses.

`spell-out@v

~textを一字ごとに読み綴る （頭字語や略語に有用になる）。 ~accent付き文字が稀な自然言語の下では、 ~accentなしの綴りによる代替も許可される。 例として，~Englishでは単語 "rôle" を "`role^en" とも記せるので、 適合~実装は， "rôle" を “R O L E” と読み綴ることになる。 ◎ Spells the text one letter at a time (useful for acronyms and abbreviations). In languages where accented characters are rare, it is permitted to drop accents in favor of alternative unaccented spellings. As an example, in English, the word “rôle” can also be written as “role”. A conforming implementation would thus be able to spell-out “rôle” as “R O L E”.

`digits@v

数を，各~数字ごとに発話する。 一例として、［ "`twelve^en" は “`one two^en” ／ "31" は “`three one^en” ］と発話されることになろう。 ◎ Speak numbers one digit at a time, for instance, “twelve” would be spoken as “one two”, and “31” as “three one”.

【 おそらく，要素の`内容~言語$が~Englishである下では。 "`twelve^en" については違和感も — そのような発話が想定されているなら，通常は 10 進~記数法で記されるだろうし、 そのような発話を避けるべく "`twelve^en" と記されることもあろう。 日本語の下では，［ "十二" は “いち, に” ／ "31" は “さん, いち” ］と発話されることになろうが、 "twelve" も “いち, に” と発話されるべきかどうかは，よくわからない。 】

注記： 発話~合成器は`数^emについての知識を持ち得る。 `speak-as$p ~propは、［ ~UAが数をどう音声化するか ］に対する，ある程度の制御を可能化する — それは、［ ~textを実際の発話~合成器に渡す前の前処理~段 ］として実装され得る。 ◎ Speech synthesizers are knowledgeable about what a number is. The speak-as property enables some level of control on how user agents render numbers, and may be implemented as a preprocessing step before passing the text to the actual speech synthesizer.

`literal-punctuation@v

~semicolon, 括弧類, 等々の約物は、 適切な~pauseとして “自然に” 音声化される代わりに，その名前が~~声に出される （すなわち、 逐語的に発話される）。 ◎ Punctuation such as semicolons, braces, and so on is named aloud (i.e. spoken literally) rather than rendered naturally as appropriate pauses.

`no-punctuation@v

約物は音声化されない： 発話されず，また~pauseとしても音声化されない。 ◎ Punctuation is not rendered: neither spoken nor rendered as pauses.

8.1. `pause-before^p, `pause-after^p ~prop

［ `pause-before$p ／ `pause-after$p ］~propは、［ `聴覚-~box~model$の中で，要素の発話~合成による音声化nの［ 前／後 ］に生じる ］ような韻律~境界（特定の持続時間を伴う無音）を指定する — これは、［ `cue-before$p ／ `cue-after$p ］が指定されている場合には，それによる~cueより［ 前／後 ］に生じるとする。 ◎ The pause-before and pause-after properties specify a prosodic boundary (silence with a specific duration) that occurs before (or after) the speech synthesis rendition of the element, or if any cue-before (or cue-after) is specified, before (or after) the cue within the aural box model.

注記： この~propが供する機能性は， `~SSML$の `break$sS 要素に類似するが、 `聴覚-~box~model$の中での `pause$p 韻律~境界の適用には，特別な考慮が要求される （例：`~pauseの相殺$）。 ◎ Note: Although the functionality provided by this property is similar to the break element from the SSML markup language [SSML], the application of pause prosodic boundaries within the aural box model of CSS Speech requires special considerations (e.g. "collapsed" pauses).

`time [0s,∞]$t

~pauseを絶対的な時間~単位 （秒や~mmlli秒 — 例： `+3s^v, `250ms^v ） で表出する。 負な値は許容されない。 ◎ Expresses the pause in absolute time units (seconds and milliseconds, e.g. "+3s", "250ms"). Only non-negative values are allowed.

`none@v

`0ms^v に等価 （発話~処理器からは韻律~分断は生産されない）。 ◎ Equivalent to 0ms (no prosodic break is produced by the speech processor).

`x-weak@v

`weak@v

`medium@v

`strong@v

`x-strong@v

要素の狭間の~pauseを発話~出力における韻律~分断の強度で表出する。 正確な時間は実装に依存する。 後に挙げたものほど，強くなる （厳密には，より弱くない） 【！non-decreasing (conceptually increasing) 】。 ◎ Expresses the pause by the strength of the prosodic break in speech output. The exact time is implementation-dependent. The values indicate monotonically non-decreasing (conceptually increasing) break strength between elements.

注記： より強い内容~境界には，概して~pauseも付随する。 例えば，段落と段落の間の分断は、 概して，文の中の単語と単語の間の分断よりも ずっと重みがある。 ◎ Note: Stronger content boundaries are typically accompanied by pauses. For example, the breaks between paragraphs are typically much more substantial than the breaks between words within a sentence.

p { pause: none } /* 
`pause-before: none; pause-after: none^css
 */

8.2. `pause^p 略式~prop

`pause$p ~propは、［ `pause-before$p, `pause-after$p ］用の略式~propである。 2 個の値は、 順に，これらの~propの値を与える。 値が 1 個だけ与えられた場合、 それが 2 個目の値も与える。 ◎ The pause property is a shorthand property for pause-before and pause-after. If two values are given, the first value is pause-before and the second is pause-after. If only one value is given, it applies to both properties.

h1 { pause: 20ms; } /* pause-before: 20ms; pause-after: 20ms */
h2 { pause: 30ms 40ms; } /* pause-before: 30ms; pause-after: 40ms */
h3 { pause-after: 10ms; } /* pause-before: 未指定; pause-after: 10ms */

8.3. ~pauseの相殺

この節に現れる “~box” は、 すべて，`聴覚-~box~model$の中のそれを表すとする。

~pauseは、 ~boxから その［ 前／後 ］にある~boxまでの，最小な距離を定義する。 連接している~pauseは、［ 最も強い~keywordによる分断, 最も長い絶対的な時区間 ］を選定することにより，併合される。 例えば、［ `strong$v と `weak$v ］の併合-時には `strong$v が選択され，［ `1s^v と `250ms^v ］の併合-時には `1s^v が選択され，［ `strong$v と `250ms^v ］の併合-時には それらの効果が合算される。 ◎ The pause defines the minimum distance of the aural "box" to the aural "boxes" before and after it. Adjoining pauses are merged by selecting the strongest named break and the longest absolute time interval. For example, "strong" is selected when merging "strong" and "weak", "1s" is selected when merging "1s" and "250ms", and "strong" and "250ms" take effect additively when merging "strong" and "250ms".

次の各 項にて挙げる 2 つの~pauseは、 連接しているとされる： ◎ The following pauses are adjoining:

• ~boxの `pause-after$p と ~boxの最後の子の `pause-after$p — ただし、 ~boxが［ `rest-after$p, `cue-after$p ］どちらも持たない【 `none^v でない（以下同様）】場合に限る。 ◎ The pause-after of an aural "box" and the pause-after of its last child, provided the former has no rest-after and no cue-after.
• ~boxの `pause-before$p と ~boxの最初の子の `rest-before$p — ただし，~boxが［ `rest-before$p, `cue-before$p ］どちらも持たない場合に限る。 ◎ The pause-before of an aural "box" and the pause-before of its first child, provided the former has no rest-before and no cue-before.
• ~boxの `pause-after$p と ~boxの次の同胞の `pause-before$p ◎ The pause-after of an aural "box" and the pause-before of its next sibling.
• ~boxの `pause-before$p と ~boxの `pause-after$p — ただし，［ ~box内に音声化される内容がまったく無い場合（ `speak$p を見よ） ］または［ ~boxが ~AND↓ を満たしている場合 ］に限る ⇒＃ `voice-duration$p は `0ms^v, `rest-before$p を持たない, `rest-after$p を持たない, `cue-before$p を持たない, `cue-after$p を持たない ◎ The pause-before and pause-after of an aural "box", if the "box" has a voice-duration of "0ms" and no rest-before or rest-after and no cue-before or cue-after, or if the "box" has no rendered content at all (see speak).

相殺された【併合された】~pauseは，そのいずれかの~pause成分が別の~pauseに連接している場合、 その別の~pauseにも連接しているものと見なされる。 ◎ A collapsed pause is considered adjoining to another pause if any of its component pauses is adjoining to that pause.

注記： `pause$p は、 要素の内容と `cue$p との狭間から， `cue$p の外側へ移動された。 これは、 `CSS2$r § Aural 付録とは後方-互換でない。 ◎ Note: Pause has been moved from between the element’s contents and any cue to outside the cue. This is not backwards compatible with the informative CSS2.1 Aural appendix [CSS2].

9.1. `rest-before^p, `rest-after^p ~prop

［ `rest-before$p ／ `rest-after$p ］~propは、［ `聴覚-~box~model$の中で，要素の発話~合成による音声化nの［ 前／後 ］に生じる ］ような韻律~境界（特定の持続時間を伴う無音）を指定する。 ◎ The rest-before and rest-after properties specify a prosodic boundary (silence with a specific duration) that occurs before (or after) the speech synthesis rendition of an element within the aural box model.

注記： この~propが供する機能性は， `~SSML$の `break$sS 要素に類似するが、 `聴覚-~box~model$の中での `rest$p 韻律~境界の適用には，特別な考慮が要求される （例：点在する音声~cue, 隣接な~restの加法的な挙動）。 ◎ Note: Although the functionality provided by this property is similar to the break element from the SSML markup language [SSML], the application of rest prosodic boundaries within the aural box model of CSS Speech requires special considerations (e.g. interspersed audio cues, additive adjacent rests).

`time [0s,∞]$t

~restを絶対的な時間~単位 （秒や~mmlli秒 — 例： `+3s^v, `250ms^v ） で表出する。 負な値は許容されない。 ◎ Expresses the rest in absolute time units (seconds and milliseconds, e.g. "+3s", "250ms"). Only non-negative values are allowed.

`none@v

`0ms^v に等価 （発話~処理器からは韻律~分断は生産されない）。 ◎ Equivalent to 0ms. (No prosodic break is produced by the speech processor.)

`x-weak@v

`weak@v

`medium@v

`strong@v

`x-strong@v

~restを発話~出力における 韻律~分断の強度で表出する。 正確な時間は実装に依存する。 後に挙げたものほど，強くなる （厳密には，より弱くない） 【！non-decreasing (conceptually increasing) 】。 ◎ Expresses the rest by the strength of the prosodic break in speech output. The exact time is implementation-dependent. The values indicate monotonically non-decreasing (conceptually increasing) break strength between elements.

`~pause~prop＠#pause-props$とは対照的に， ~restは要素の内容と［ `cue-before$p ／ `cue-after$p ］の内容との狭間に挿入される。 連接している~restは加法的に扱われ，相殺されない。 ◎ As opposed to pause properties, the rest is inserted between the element’s content and any cue-before or cue-after content. Adjoining rests are treated additively, and do not collapse.

9.2. `rest^p 略式~prop

`rest$p ~propは、［ `rest-before$p, `rest-after$p ］用の略式~propである。 2 個の値は、 順に，これらの~propの値を与える。 値が 1 個だけ与えられた場合、 それが 2 個目の値も与える。 ◎ The rest property is a shorthand for rest-before and rest-after. If two values are given, the first value is rest-before and the second is rest-after. If only one value is given, it applies to both properties.

10.1. `cue-before^p, `cue-after^p ~prop

［ `cue-before$p ／ `cue-after$p ］~propは、 `聴覚-~box~model$の中で，要素の［ 前／後 ］に再生されることになる，聴感~icon （すなわち，録音-済みな, あるいは生成-済みな音~clip） を指定する。 ◎ The cue-before and cue-after properties specify auditory icons (i.e. pre-recorded / pre-generated sound clips) to be played before (or after) the element within the aural box model.

注記： この~propが供する機能性は， `~SSML$の `audio$sS 要素に関係して現れ得るが、 事実，大きな不一致がある。 例えば、 `聴覚-~box~model$により，音声~cueは要素の出力音量~levelに結付けられることになるので、 この仕様の聴感~iconが供する機能性は，~SSMLの `audio^e 要素に比べ制限される。 ◎ Note: Although the functionality provided by this property may appear related to the audio element from the SSML markup language [SSML], there are in fact major discrepancies. For example, the aural box model means that audio cues are associated to the element’s volume level, and CSS Speech’s auditory icons provide limited functionality compared to SSML’s audio element.

`url$t

聴感~icon資源として指名される~URL。 ~UAが指定された聴感~iconを音声化し得ない場合 （例：~file資源が見つからない, 未~supportな音声~codecなど）、 ~bell音などの代替な~cueを生産することが推奨される。 ◎ The URI designates an auditory icon resource. When a user agent is not able to render the specified auditory icon (e.g. missing file resource, or unsupported audio codec), it is recommended to produce an alternative cue, such as a bell sound.

`none@v

利用される聴感~iconは無いことを指定する。 ◎ Specifies that no auditory icon is used.

`decibel$t

これは、 `聴覚-~box~model$の中での，要素の `voice-volume$p ~propの算出d値に相対的な（正なまたは負な）変化を表現する （その結果、 音声~cueの出力音量~levelは `voice-volume$p ~propの変化に伴って変化する）。 省略された場合の暗黙な値は `0dB^v に算出される。 ◎ Represents a change (positive or negative) relative to the computed value of the voice-volume property within the aural box model of the selected element. (As a result, the volume level of an audio cue changes when the voice-volume property changes). When omitted, the implied value computes to 0dB.

`voice-volume$p ~propの算出d値が `silent^v （無音）の場合、 音声~cueも無音にされる （この指定 `decibel$t 値に関わらず）。 他の場合の `voice-volume$p 値は、 常に，出力音量~level~keyword （ `voice-volume$p の定義を見よ） に相対的に指定される。 この出力音量~levelは、 利用者により “選好される” 聴感音量~設定群に較正された尺度に対応付けられる。 `voice-volume$p の継承d値に~decibel~offsetがすでに含まれている場合、 音声~cueに特有な dB ~offsetが加法的に組合される。 ◎ When the computed value of the voice-volume property is silent, the audio cue is also set to silent (regardless of this specified <decibel> value). Otherwise (when not silent), voice-volume values are always specified relatively to the volume level keywords (see the definition of voice-volume), which map to a user-calibrated scale of "preferred" loudness settings. If the inherited voice-volume value already contains a decibel offset, the dB offset specific to the audio cue is combined additively.

注記： `voice-volume$p を通して出力音量が無音にされた音声~cueは， 再生されつつ（大きさのある）音は生成されなかったかのように同じ時間を占める一方で、 値 `none$v にされた音声~cueは，それ自体が無かったことにされる （すなわち，`聴覚-次元$の中で~cueに割振られる時間は無い）。 ◎ Note: There is a difference between an audio cue whose volume is set to silent and one whose value is none. In the former case, the audio cue takes up the same time as if it had been played, but no sound is generated. In the latter case, the there is no manifestation of the audio cue at all (i.e. no time is allocated for the cue in the aural dimension).

a {
  cue-before: url(/audio/bell.aiff) -3dB;
  cue-after: url(dong.wav);
}

h1 {
  cue-before: url(../clips-1/pop.au) +6dB;
  cue-after: url(../clips-2/pop.au) 6dB;
}

div.caution { cue-before: url(./audio/caution.wav) +8dB; }

10.2. 音声~cueと発話~合成における出力音量~levelの相関

`聴覚-~box~model$の中では、 要素の［ 音声~cueと発話~合成 ］の出力音量~levelは，相関する。 例えば，［ 出力音量~levelが（ `decibel$t 値の指定により） `+0dB^v に設定されたとき ］の音声~cueの効果は、［ その再生~時に知覚される聴感音量 ］が `voice-volume$p ~propの算出d値から決まる［ 要素の発話~合成による音声化nの聴感音量 ］に近くなることが欲される。 `voice-volume$p ~propに対する算出d値 `silent^v による結果は、 “強制的” に （すなわち，音声~cueに指定された `decibel$t 値に関わらず） 無音にされた音声~cueになることに注意。 ◎ The volume levels of audio cues and of speech synthesis within the aural box model of a selected element are related. For example, the desired effect of an audio cue whose volume level is set at +0dB (as specified by the <decibel> value) is that its perceived loudness during playback is close to that of the speech synthesis rendition of the selected element, as dictated by the computed value of the voice-volume property. Note that a silent computed value for the voice-volume property results in audio cues being "forcefully" silenced as well (i.e. regardless of the specified audio cue <decibel> value)

［ 知覚される音声~特性（例：聴感音量） ］と［ ~digital化された音声~信号に適用される処理（例：信号~圧縮） ］の間には複階的な関係性があるので、 ここでは，減衰が概して［ 0dB（~clipping-thresholdに近い最大な音声~入力）以上 −60dB （全くの無音）以下 ］の範囲に入る~decibel単位で指示されるような，単純な局面を想定する。 この文脈の下では、 “標準的な” 音声~clipは，これらの値の間を変動することになる。 聴感音量が最大になる~peak~levelは，（歪みを避けるために） −3dB 近くにされ、 それに伴う音声節の平均（ RMS ）出力音量~levelは，アリな限り高くされる （すなわち，増幅の際の背景雑音を避けるよう静か過ぎない程度にされる）。 これにより，聴取者が体験する音声は、 概ね，~TTS出力と継ぎ目無く結合できるようになろう （すなわち、 録音-済みな音声と発話~合成とを切り替える際の出力音量~levelの相違が， 聴き分けられなくなる程になろう）。 そのような慣行を~supportする業界~標準は存在しないが、 各種~TTS~engineは，［ 利得や減衰が指定されていないときは，比較的~強めの音声~信号を生成する ］傾向にある。 ~voiceや穏やかな音楽~用には、 −15dB RMS が~~相応な標準になると見受けられる。 ◎ Due to the complex relationship between perceived audio characteristics (e.g. loudness) and the processing applied to the digitized audio signal (e.g. signal compression), we refer to a simple scenario whereby the attenuation is indicated in decibels, typically ranging from 0dB (i.e. maximum audio input, near clipping threshold) to -60dB (i.e. total silence). Given this context, a "standard" audio clip would oscillate between these values, the loudest peak levels would be close to -3dB (to avoid distortion), and the relevant audible passages would have average (RMS) volume levels as high as possible (i.e. not too quiet, to avoid background noise during amplification). This would roughly provide an audio experience that could be seamlessly combined with text-to-speech output (i.e. there would be no discernible difference in volume levels when switching from pre-recorded audio to speech synthesis). Although there exists no industry-wide standard to support such convention, different TTS engines tend to generate comparably-loud audio signals when no gain or attenuation is specified. For voice and soft music, -15dB RMS seems to be pretty standard.

10.3. `cue^p 略式~prop

`cue$p ~propは、［ `cue-before$p, `cue-after$p ］用の略式~propである。 2 個の値は、 順に，これらの~propの値を与える。 値が 1 個だけ与えられた場合、 それが 2 個目の値も与える。 ◎ The cue property is a shorthand for cue-before and cue-after. If two values are given the first value is cue-before and the second is cue-after. If only one value is given, it applies to both properties.

h1 {
  cue-before: url(pop.au);
  cue-after: url(pop.au);
}
/* 
は、
次と等価になる：
◎
...is equivalent to:
 */
h1 {
  cue: url(pop.au);
}

11.1. `voice-family^p ~prop

`voice-family$p ~propは、 ~commaで分離された［ ある代替を指示する成分~値 ］たちが成す~listを優先度~順に指定する （これは、 視覚-~stylesheetにおける `font-family$p に相似的である）。 各 成分~値は、 合致するための判定基準を指定することにより， 発話~合成~用の~voice~instanceになり得るものと指名される。 この論題については、 `§ ~voice選定＠#voice-selection$を見よ。 ◎ The voice-family property specifies a prioritized list of component values that are separated by commas to indicate that they are alternatives. (This is analogous to font-family in visual style sheets.) Each component value potentially designates a speech synthesis voice instance, by specifying match criteria. See the voice selection section on this topic.

`generic-voice@t
	= `age$t? `gender$t `integer$vt?

注記： この~propが供する機能性は， `~SSML$の `voice$sS 要素に類似するが、 この仕様は，~SSMLによる精巧な~voice自然言語~選択に等価なものは供さない。 この技術的な制限は，この~moduleの将来の改訂においては緩和され得る。 ◎ Note: Although the functionality provided by this property is similar to the voice element from the SSML markup language [SSML], CSS Speech does not provide an equivalent to SSML’s sophisticated voice language selection. This technical limitation may be alleviated in a future revision of the Speech module.

`family-name$t

値は，特定の~voice~instance （例： `Mike^v, `comedian^v, `mary^v, `carlos2^v, `"valley girl"^v, 等々）。 `font-family$p 名と同様に，各~voice名は、 次のいずれかとして，与えなければナラナイ ⇒＃ 文字列（引用符付き，【 `string$t 】【！~INFRA#string】）／ `~CSS識別子$（引用符無し，【 `custom-ident$t 】）たちが成す【空白で分離された】連列 ◎ Values are specific voice instances (e.g., Mike, comedian, mary, carlos2, "valley girl"). Like font-family names, voice names must either be given quoted as strings, or unquoted as a sequence of one or more CSS identifiers.

注記： その結果，引用符無し~voice名においては、 各~tokenの先頭にある ほとんどの約物や数字は，~escapeしなければならないことになる。 ◎ Note: As a result, most punctuation characters, or digits at the start of each token, must be escaped in unquoted voice names.

1 個の~voice名として，識別子の連列が与えられた場合、 その算出d値は，連列の中の各~識別子を［ 1 個の~spaceを挟んで連結した文字列 ］に変換して得られる名前になる。 ◎ If a sequence of identifiers is given as a voice name, the computed value is the name converted to a string by joining all the identifiers in the sequence by single spaces.

~voice名のうち，［ 性別（ `gender$t ）~keyword（ `male^v, `female^v, `neutral^v ）と同じになるもの／ `~CSS全域~keyword$とたまたま合致するもの／ 将来~利用に予約-済みな~keyword `default^v ］は、 これらの~keywordと区別できるよう引用符付きでなければナラナイ。 ◎ Voice names that happen to be the same as the gender keywords (male, female and neutral) or that happen to match the CSS-wide keywords or preserve must be quoted to disambiguate with these keywords. The keyword default is reserved for future use and must also be quoted when used as voice names.

注記： `~SSML$においては、 ~voice名は，~space等で互いに分離される — したがって，空白~文字を包含し得ない。 ◎ Note: In [SSML], voice names are space-separated and cannot contain whitespace characters.

［ 空白, 数字, ［ ~hyphen以外の約物 ］］のいずれかを含んでいる~voice名は、 ~codeの明確さを改善するため，引用符無しな形が妥当な場合でも, 引用符付きにすることが推奨される。 例えば： `voice-family^p: `"john doe", "Henry the-8th"^v; ◎ It is recommended to quote voice names that contain white space, digits, or punctuation characters other than hyphens—even if these voice names are valid in unquoted form—in order to improve code clarity. For example: voice-family: "john doe", "Henry the-8th";

`age@t

~keyword［ `child^v, `young^v, `old^v ］の いずれかを値にとり，~voice選定において合致が選好される年齢層を指示する。 ◎ Possible values are child, young and old, indicating the preferred age category to match during voice selection.

注記： `~SSML$における年齢との対応付けには［ `child^v = 6 歳, `young^v = 24 歳, `old^v = 75 歳【！y/o = years old】 ］が推奨される。 処理器に依存する~voice照合~algoは、 より柔軟な年齢~範囲を利用してもヨイ。 ◎ Note: A recommended mapping with [SSML] ages is: child = 6 y/o, young = 24 y/o, old = 75 y/o. More flexible age ranges may be used by the processor-dependent voice-matching algorithm.

`gender@t

~keyword［ `male^v, `female^v, `neutral^v ］のうちいずれか。 順に，［ 男性, 女性, 中性 ］の~voiceを指定する。 ◎ One of the keywords male, female, or neutral, specifying a male, female, or neutral voice, respectively.

注記： 個人の年齢や性別と, 認識-可能な~voiceの種別との関係度の解釈は、 実質的にいくつもの判定基準（文化的, 言語的, 生物学的, 等々）に依存するので、 現実的には普遍的な方式で定義し得ない。 したがって，この仕様が供する機能性は、 ある程度の誤差と引き換えに，幅広い発話~文脈に適度に適用できるような 単純~化された~modelを表現する。 この仕様の将来~versionでは、 発話~処理器~実装がもっと標準~化されるに伴い，~voice照合~algoはより精緻化され得る。 ◎ Note: The interpretation of the relationship between a person’s age or gender, and a recognizable type of voice, cannot realistically be defined in a universal manner as it effectively depends on numerous criteria (cultural, linguistic, biological, etc.). The functionality provided by this specification therefore represent a simplified model that can be reasonably applied to a broad variety of speech contexts, albeit at the cost of a certain degree of approximation. Future versions of this specification may refine the level of precision of the voice-matching algorithm, as speech processor implementations become more standardized.

`integer$t

選好される変種を指示する整数 （例： “男性かつ子供の~voiceのうち `2 個目^em のもの” ）。 正な整数のみが許容される。 値 `1^v は、 合致するすべての~voiceの中で 1 個目のものを指す。 ◎ An integer indicating the preferred variant (e.g. "the second male child voice"). Only positive integers (i.e. excluding zero) are allowed. The value 1 refers to the first of all matching voices.

`preserve@v

内容~markupにより生じ得る自然言語の変化に関わらず，継承による `voice-family$p 値の利用を指示する （~voice選定と自然言語の取扱いについては、 下の節を見よ）。 この値が`根~要素$に適用されるときは、 `inherit$v として挙動する。 ◎ Indicates that the voice-family value gets inherited and used regardless of any potential language change within the content markup (see the section below about voice selection and language handling). This value behaves as inherit when applied to the root element.

注記： 要素の子孫は、 他の `voice-family$p 値 （例： 名前（ `family-name$t ）, 性別（ `gender$t ）, 年齢（ `age$t ）） により明示的に上書きされない限り， `preserve$v 値を自動的に継承する。 ◎ Note: Descendants of the element automatically inherit the preserve value, unless it is explicitly overridden by other voice-family values (e.g. name, gender, age).

voice-family: john/doe;
    /* 
~forward-slashは~escapeされるべきである
◎
forward slash character should be escaped
 */
voice-family: john "doe";
    /* 
一連の識別子は文字列を含み得ない
◎
identifier sequence cannot contain strings
 */
voice-family: john!;
    /* 
感嘆符は~escapeされるべきである
◎
exclamation mark should be escaped
 */
voice-family: john@doe;
    /* 
“at” 文字（ `@^c ）は~escapeされるべきである
◎
"at" character should be escaped
 */
voice-family: #john;
    /* 
識別子は~hash文字から開始できない
◎
identifier cannot start with hash character
 */
voice-family: john 1st;
    /* 
識別子は数字から開始できない
◎
identifier cannot start with digit
 */

h1 { voice-family: announcer, old male; }
p.romeo  { voice-family: romeo, young male; }
p.juliet { voice-family: juliet, young female; }
p.mercutio { voice-family: young male; }
p.tybalt { voice-family: young male; }
p.nurse { voice-family: amelie; }

<p class="romeo" xml:lang="en-US">


次の~French~textは~Englishの~voiceで発話されることになる：
◎
The French text below will be spoken with an English voice:

  <span style="voice-family: preserve;" xml:lang="fr-FR">Bonjour monsieur !</span>


次の英文~textは，（親の `p^e 要素から継承されるもの）~class "`romeo^v" に対応する~voiceとは異なる~voiceで発話される：
◎
The English text below will be spoken with a voice different than that corresponding to the class "romeo" (which is inherited from the "p" parent element):

  <span style="voice-family: female;">Hello sir!</span>
</p>

11.2. `voice-rate^p ~prop

`voice-rate$p ~propは、 毎分あたりの語数により，生成される合成な発話の速度を操作する。 ◎ The voice-rate property manipulates the rate of generated synthetic speech in terms of words per minute.

注記： この~propが供する機能性は、 `~SSML$の `prosody$sS 要素の `rate^a 属性に類似するが，留意すべき不一致がある。 例えば，この~propに対する［ 速度~keyword値, 百分率~値による修飾 ］は、 要素に継承された値と組合せる方法があることに因り，排他的でない。 ◎ Note: Although the functionality provided by this property is similar to the rate attribute of the prosody element from the SSML markup language [SSML], there are notable discrepancies. For example, CSS Speech rate keywords and percentage modifiers are not mutually-exclusive, due to how values are inherited and combined for selected elements.

`normal@v

発話~合成器が現在~作動中な~voiceを生産するときの，既定の速度を表現する。 これは、 処理器に特有であり，［ 自然言語と方言, ~voiceの “個性” ］に依存する。 ◎ Represents the default rate produced by the speech synthesizer for the currently active voice. This is processor-specific and depends on the language and dialect, and on the "personality" of the voice.

`x-slow@v

`slow@v

`medium@v

`fast@v

`x-fast@v

これらは 実装／~voiceに特有な発話速度であり、 後に挙げたものほど，速くなる（厳密には，より遅くない）【！non-decreasing】。 例えば，~English用の代表的な値は（毎分あたりの語数で）［ `x-slow^v = 80 語, `slow^v = 120 語, `medium^v = 180 語 〜 200 語, `fast^v = 500 語 ］になる。 ◎ A sequence of monotonically non-decreasing speaking rates that are implementation- and voice-specific. For example, typical values for the English language are (in words per minute) x-slow = 80, slow = 120, medium = between 180 and 200, fast = 500.

`percentage [0,∞]$t

負でない百分率~値のみ許容され、 次の値に相対的な変化を表現する：

1. （上に列挙された）~keyword値も与えられていれば それ。
2. 他の場合，`根~要素$に対しては既定~値 【すなわち，初期~値】。
3. 他の場合，継承されている発話速度 （それ自身も~keyword値と百分率の組合nになり得る — この場合の率【！百分率】は，累積される）。

例えば 50% は、 発話速度が 0.5 倍されることを意味する。 100% を上回る百分率においては，発話速度が（基底の~keywordに比して）より速くなり、 100% を下回る百分率においては，よりゆっくりになる。

◎ Only non-negative percentage values are allowed. This represents a change relative to the given keyword value (see enumeration above), or to the default value for the root element, or otherwise to the inherited speaking rate (which may itself be a combination of a keyword value and of a percentage, in which case percentages are combined multiplicatively). For example, 50% means that the speaking rate gets multiplied by 0.5 (half the value). Percentages above 100% result in faster speaking rates (relative to the base keyword), whereas percentages below 100% result in slower speaking rates.

<body>
  <e1>
    <e2>
      <e3>
        …
      </e3>
    </e2>
  </e1>
</body>

body { voice-rate: inherit; }
    /* 
初期~値は `normal$v
（実際の発話速度の値は作動中な~voiceに依存する）
◎
the initial value is 'normal' (the actual speaking rate value depends on the active voice)
 */

e1 { voice-rate: +50%; }
    /* 
算出d値は［
`normal$v と `50%^v
］の組。
これは， `normal$v の 0.5 倍（発話速度の半分）に対応する速度に解決されることになる。
◎
the computed value is ['normal' and 50%], which will resolve to the rate corresponding to 'normal' multiplied by 0.5 (half the speaking rate)
 */

e2 { voice-rate: fast 120%; }
    /* 
算出d値は［
`fast$v と `120%^v
］の組。
これは， `fast$v の 1.2 倍に対応する速度に解決されることになる。
◎
the computed value is ['fast' and 120%], which will resolve to the rate corresponding to 'fast' multiplied by 1.2
 */

e3 {
    voice-rate: normal;
    /* 
発話速度を内在的な~voice値に “再設定-” する。
算出d値は `normal$v になる
（実際の値については，次の~commentを見よ）。
◎
"resets" the speaking rate to the intrinsic voice value, the computed value is 'normal' (see comment below for actual value)
 */

    voice-family: "another-voice";
    /* 
~voiceが別のものにされているので、
計算される発話速度は， `body^e のそれに比して
（ `voice-rate$p の算出d値が同じであっても）
変わり得る。
◎
because the voice is different, the calculated speaking rate may vary compared to "body" (even though the computed 'voice-rate' value is the same)
 */
}

11.3. `voice-pitch^p ~prop

`voice-pitch$p ~propは、 生成される発話~出力の “基底線” とされる音高を指定する。 これは、 使用 `voice-family$p ~instanceに依存し，発話~合成~処理器ごとに変わり得る （およそ，出力の平均~音高に対応する）。 例えば、 男性~voiceに共通的な音高は 120Hz 周辺になる一方，女性~voiceでは 210Hz 周辺になる。 ◎ The voice-pitch property specifies the "baseline" pitch of the generated speech output, which depends on the used voice-family instance, and varies across speech synthesis processors (it approximately corresponds to the average pitch of the output). For example, the common pitch for a male voice is around 120Hz, whereas it is around 210Hz for a female voice.

注記： この~propが供する機能性は， `~SSML$の `prosody$sS 要素の `pitch^a 属性に類似するが、 留意すべき不一致がある。 例えば，この~propに対する［ 音高~keyword値, 相対~変化~値（周波数, 半音数, 百分率） ］は、 要素に継承された値と組合せる方法があることに因り，排他的でない。 ◎ Note: Although the functionality provided by this property is similar to the pitch attribute of the prosody element from the SSML markup language [SSML], there are notable discrepancies. For example, CSS Speech pitch keywords and relative changes (frequency, semitone or percentage) are not mutually-exclusive, due to how values are inherited and combined for selected elements.

`frequency$t

周波数~単位（~Hertzまたは~kiloHertz）による値 （例： `100Hz^v, `+2kHz^v ）。 ただし， `absolute$v ~keywordが指定された下での値は、 正な数に制約される。 他の場合の［ 負な／正な ］値は，継承d値に相対的な［ 減分／増分 ］を表現する。 例えば `2kHz^v は，正な~offset（ `+2kHz^v と厳密に等価）になり、 `+2kHz absolute^v は，絶対~周波数（ `2kHz absolute^v と厳密に等価）になる。 ◎ A value in frequency units (Hertz or kiloHertz, e.g. 100Hz, +2kHz). Values are restricted to positive numbers when the absolute keyword is specified. Otherwise (when the absolute keyword is not specified), a negative value represents a decrement, and a positive value represents an increment, relative to the inherited value. For example, 2kHz is a positive offset (strictly equivalent to +2kHz), and +2kHz absolute is an absolute frequency (strictly equivalent to 2kHz absolute).

`absolute@v

指定された場合、 この~keywordは，指定された周波数が 絶対的な値を表現することを指示する。 負な周波数が指定された場合に算出される周波数は 0 になる。 ◎ If specified, this keyword indicates that the specified frequency represents an absolute value. If a negative frequency is specified, the computed frequency will be zero.

`semitones$t

継承d値に相対的な，変化（減分または増分）を指定する。 `semitones@t に許容される値の構文は、 単位~識別子 `st^u （半音数）を伴う`次元$である。 `半音@ 区間は，~~半音による等分平均律の各 音階（音符と次の音符の間）に対応する。 したがって，`半音$は、 そのような音階の下で隣り合う 2 個の音高の周波数の相違として量られる。 1 個の半音で隔てられた 2 つの周波数の比率は， 2 の 12 乗根 （約 ( 11011 ~DIV 10393 ) ~EQ 1.0594631 ） に（この桁数の精度で）等しい。 すなわち、 半音による~offsetに対応する~Hertz単位の値は， その~offsetが適用される初期~周波数に相対的になる （言い換えれば、 半音は，固定的な~Hertz単位の数値に対応しない）。 ◎ Specifies a relative change (decrement or increment) to the inherited value. The syntax of <semitones> allowed values is a dimension with the unit identifier st (semitones). A semitone interval corresponds to the step between each note on an equal temperament chromatic scale. A semitone can therefore be quantified as the difference between two consecutive pitch frequencies on such scale. The ratio between two consecutive frequencies separated by exactly one semitone is the twelfth root of two (approximately 11011/10393, which equals exactly 1.0594631). As a result, the value in Hertz corresponding to a semitone offset is relative to the initial frequency the offset is applied to. (In other words, a semitone doesn’t correspond to a fixed numerical value in Hertz.)

`percentage$t

百分率~値には［ 正な／負な ］値が許容され、 継承d値に相対的な［ 増分／減分 ］を表現する。 その算出d値は、 継承d値の指定された割合分を，継承d値に［ 加算する／減算する ］ことにより計算される。 例えば，継承d値が `200Hz^v のとき、 `50%^v（ `+50%^v に等価）による結果は 200 + ( 200 × 0.5 ) = `300Hz^v になり， `-50%^v による結果は 200 − ( 200 × 0.5 ) = `100Hz^v になる。 ◎ Positive and negative percentage values are allowed, to represent an increment or decrement (respectively) relative to the inherited value. Computed values are calculated by adding (or subtracting) the specified fraction of the inherited value, to (from) the inherited value. For example, 50% (which is equivalent to +50%) with a inherited value of 200Hz results in 200 + (200*0.5) = 300Hz. Conversely, -50% results in 200-(200*0.5) = 100Hz.

`x-low@v

`low@v

`medium@v

`high@v

`x-high@v

これらは，［ 実装, ~voice ］に特有な音高~levelを表す — 後に挙げたものほど，高くなる（厳密には，より低くない） 【！non-decreasing】。 所与の要素に対する算出d値が~keywordのみの場合 （すなわち，相対~offsetは指定されていない）、 対応する絶対~周波数は，~voiceが変化する度に評価し直されることになる。 逆に、 相対~offsetの適用には，［ 相対~offsetが指定された地点における現在の~voice ］に基づく周波数の計算が要求されるので、［ ~styleの~cascadeにより ~voice変化が深層へ伝わる ］のに関わらず，絶対的に算出される周波数が継承されることになる。 したがって，作者は、 ~voice変化に応じて［ ~keywordから具象的な, ~voiceに依存する周波数への変換の再~評価 ］を誘発させたいときは，~keyword値を利用するべきである。 ◎ A sequence of monotonically non-decreasing pitch levels that are implementation and voice specific. When the computed value for a given element is only a keyword (i.e. no relative offset is specified), then the corresponding absolute frequency will be re-evaluated on a voice change. Conversely, the application of a relative offset requires the calculation of the resulting frequency based on the current voice at the point at which the relative offset is specified, so the computed frequency will inherit absolutely regardless of any voice change further down the style cascade. Authors should therefore only use keyword values in cases where they wish that voice changes trigger the re-evaluation of the conversion from a keyword to a concrete, voice-dependent frequency.

算出された絶対~周波数が負な場合、 0 ~Hertz以上に切上げられる。 発話~能力がある~UAは、 周波数の計算から得られ得る全~数値~範囲ではなく， 特定の範囲の値を~supportすることになると見込まれる。 したがって，~UAにおける実際の値は、 実装に依存する下限／上限に切詰められ得る。 例えば，周波数 `0Hz^v は合法的に計算され得るが、 発話~合成器の文脈の下では，より有意義な値に切詰められるであろう。 ◎ Computed absolute frequencies that are negative are clamped to zero Hertz. Speech-capable user agents are likely to support a specific range of values rather than the full range of possible calculated numerical values for frequencies. The actual values in user agents may therefore be clamped to implementation-dependent minimum and maximum boundaries. For example, although the 0Hz frequency can be legitimately calculated, it may be clamped to a more meaningful value in the context of the speech synthesizer.

h1 { voice-pitch: 250Hz; }
    /* 
継承される絶対~周波数に相対的な正な~offset
◎
positive offset relative to the inherited absolute frequency
 */
h1 { voice-pitch: +250Hz; }
    /* 
前の行と同じになる
◎
identical to the line above
 */
h2 { voice-pitch: +30Hz absolute; }
    /* 
増分ではない
◎
not an increment
 */
h2 { voice-pitch: absolute 30Hz; }
    /* 
前の行と同じになる
◎
identical to the line above
 */
h3 { voice-pitch: -20Hz; }
    /* 
継承される絶対~周波数に相対的な負な~offset（減分）
◎
negative offset (decrement) relative to the inherited absolute frequency
 */
h4 { voice-pitch: -20Hz absolute; }
    /* 
違法な構文。
値は無視される
（ `absolute$v ~keywordは，負な周波数には許容されない）
◎
illegal syntax => value ignored ("absolute" keyword not allowed with negative frequency)
 */
h5 { voice-pitch: -3.5st; }
    /* 
半音数, 負な~offset
◎
semitones, negative offset
 */
h6 { voice-pitch: 25%; }
    /* 
これは “継承d値の 4 分の 1 を継承d値に加える” ことを意味する
◎
this means "add a quarter of the inherited value, to the inherited value"
 */
h6 { voice-pitch: +25%; }
    /* 
前の行と同じになる
◎
identical to the line above
 */

11.4. `voice-range^p ~prop

`voice-range$p ~propは、 “基底線” 音高の可変度 — すなわち，基本周波数 【`fundamental frequency＠https://en.wikipedia.org/wiki/Fundamental_frequency$en】 が発話~出力の平均~音高からどの程度 外れられるか — を指定する。 生成される発話の動的な音高~範囲は、 高度に活発な~voiceにおいては，一般に拡大する。 例えば，発話における意味や強勢を伝達するために，屈折 【`inflection＠https://en.wikipedia.org/wiki/Inflection$en, `~~屈折＠https://ja.wikipedia.org/wiki/%E8%AA%9E%E5%BD%A2%E5%A4%89%E5%8C%96$】 が利用されるときなど。 概して、 範囲が狭い場合は平坦で単調な~voiceを生産する一方，範囲が広い場合は活発な~voiceを生産する。 ◎ The voice-range property specifies the variability in the "baseline" pitch, i.e. how much the fundamental frequency may deviate from the average pitch of the speech output. The dynamic pitch range of the generated speech generally increases for a highly animated voice, for example when variations in inflection are used to convey meaning and emphasis in speech. Typically, a low range produces a flat, monotonic voice, whereas a high range produces an animated voice.

注記： この~propが供する機能性は， `~SSML$の `prosody$sS 要素の `range^a 属性に類似するが、 留意すべき不一致がある。 例えば，この~propに対する［ 音高~範囲~keyword値, 相対~変化~値（周波数, 半音数, 百分率など） ］は、 要素に継承された値と組合せる方法があることに因り，排他的でない。 ◎ Note: Although the functionality provided by this property is similar to the range attribute of the prosody element from the SSML markup language [SSML], there are notable discrepancies. For example, CSS Speech pitch range keywords and relative changes (frequency, semitone or percentage) are not mutually-exclusive, due to how values are inherited and combined for selected elements.

【各種 成分~値の定義と付随する注釈は、 `voice-pitch$p のそれと一致するので，和訳は省略する。】 ◎ <frequency> • A value in frequency units (Hertz or kiloHertz, e.g. 100Hz, +2kHz). Values are restricted to positive numbers when the absolute keyword is specified. Otherwise (when the absolute keyword is not specified), a negative value represents a decrement, and a positive value represents an increment, relative to the inherited value. For example, 2kHz is a positive offset (strictly equivalent to +2kHz), and +2kHz absolute is an absolute frequency (strictly equivalent to 2kHz absolute). ◎ absolute • If specified, this keyword indicates that the specified frequency represents an absolute value. If a negative frequency is specified, the computed frequency will be zero. ◎ <semitones> • Specifies a relative change (decrement or increment) to the inherited value as a semitone. ◎ <percentage> • Positive and negative percentage values represent an increment or decrement (respectively) relative to the inherited value. Computed values are calculated by adding (or subtracting) the specified fraction of the inherited value, to (from) the inherited value. For example, 50% (which is equivalent to +50%) with a inherited value of 200Hz results in 200 + (200*0.5) = 300Hz. Conversely, -50% results in 200-(200*0.5) = 100Hz. ◎ x-low, low, medium, high, x-high • A sequence of monotonically non-decreasing pitch levels that are implementation and voice specific. When the computed value for a given element is only a keyword (i.e. no relative offset is specified), then the corresponding absolute frequency will be re-evaluated on a voice change. Conversely, the application of a relative offset requires the calculation of the resulting frequency based on the current voice at the point at which the relative offset is specified, so the computed frequency will inherit absolutely regardless of any voice change further down the style cascade. Authors should therefore only use keyword values in cases where they wish that voice changes trigger the re-evaluation of the conversion from a keyword to a concrete, voice-dependent frequency. ◎ Computed absolute frequencies that are negative are clamped to zero Hertz. Speech-capable user agents are likely to support a specific range of values rather than the full range of possible calculated numerical values for frequencies. The actual values in user agents may therefore be clamped to implementation-dependent minimum and maximum boundaries. For example: although the 0Hz frequency can be legitimately calculated, it may be clamped to a more meaningful value in the context of the speech synthesizer.

<body>
  <e1>
    <e2>
      <e3>
        <e4>
          <e5>
            <e6>
            …
            </e6>
          </e5>
        </e4>
      </e3>
    </e2>
  </e1>
</body>

body { voice-range: inherit; }
    /* 
初期~値は `medium$v
（実際の周波数の値は現在の~voiceに依存する)
◎
the initial value is 'medium' (the actual frequency value depends on the current voice)
 */

e1 { voice-range: +25%; }
    /* 
算出d値は［
`medium$v + `25%^v
］であり，
( `medium$v に対応する周波数 ) + 0.25 × ( `medium$v に対応する周波数 )
に解決される
◎
the computed value is ['medium' + 25%] which resolves to the frequency corresponding to 'medium' plus 0.25 times the frequency corresponding to 'medium'
 */

e2 { voice-range: +10Hz; }
    /* 
算出d値は ( %FREQ + 10Hz ) 。
ここで %FREQ は，上の "`e1^css" 規則にて計算される絶対~周波数。
◎
the computed value is [FREQ + 10Hz] where "FREQ" is the absolute frequency calculated in the "e1" rule above.
 */

e3 {
    voice-range: inherit;
    /* 
これは省略し得るが，明確さのために明示的に指定されている
◎
this could be omitted, but we explicitly specify it for clarity purposes
 */

    voice-family: "another-voice";
    /* 
この~voice変化により， `body^e 要素から継承された初期~値の `medium$v ~keywordは評価し直される
（すなわち，~voiceに依存する~keyword値から具象的な絶対~周波数に変換される）
ことになるが、
相対~offsetは~styleの~cascadeにより深層へ伝わるので，
`voice-range$p の実際の継承d値は 上の "`e2^css" 規則にて計算される周波数になる。
◎
this voice change would have resulted in the re-evaluation of the initial 'medium' keyword inherited by the "body" element (i.e. conversion from a voice-dependent keyword value to a concrete, absolute frequency), but because relative offsets were applied down the style cascade, the inherited value is actually the frequency calculated at the "e2" rule above.
 */
}

e4 { voice-range: 200Hz absolute; }
    /* 
現在の~voiceに依存しない絶対~周波数で上書きする
◎
override with an absolute frequency which doesn’t depend on the current voice
 */

e5 { voice-range: 2st; }
    /* 
算出d値は、［
200Hz + 2 個の半音
］の計算から得られる，絶対~周波数
（実際の周波数は，それを適用する基底~値に依存する半音に対応することに留意）
◎
the computed value is an absolute frequency, which is the result of the calculation: 200Hz + two semitones (reminder: the actual frequency corresponding to a semitone depends on the base value to which it applies)
 */

e6 {
    voice-range: inherit;
    /* 
これは省略し得るが，明確さのために明示的に指定されている
◎
this could be omitted, but we explicitly specify it for clarity purposes
 */

    voice-family: "yet-another-voice";
    /* 
~voice変化にかかわらず，
`voice-range$p の算出d値は "`e5^css" に対するもの
（すなわち、
現在の~voiceから独立な，絶対~周波数による値）
と同じになる
◎
despite the voice change, the computed value is the same as for "e5" (i.e. an absolute frequency value, independent from the current voice)
 */
}

11.5. `voice-stress^p ~prop

`voice-stress$p ~propは、［ 音高の変化, ~timing変化, 聴感音量, 他の聴感上の相違 ］の組合nを利用して，通常時に適用される強勢の強度を操作する。 したがって、 これらの値の精確な意味は，発話される自然言語に依存する。 ◎ The voice-stress property manipulates the strength of emphasis, which is normally applied using a combination of pitch change, timing changes, loudness and other acoustic differences. The precise meaning of the values therefore depend on the language being spoken.

注記： この~propが供する機能性は、 `~SSML$の`emphasis$sS 要素に類似する。 ◎ Note: The functionality provided by this property is similar to the emphasis element from the SSML markup language [SSML].

`normal@v

発話~合成器により生産される既定の強勢を表現する。 ◎ Represents the default emphasis produced by the speech synthesizer.

`none@v

合成器が通常時には強勢する~textを強勢させなくする ◎ Prevents the synthesizer from emphasizing text it would normally emphasize.

`moderate@v

`strong@v

これらの値は強度を表す。 後に挙げたものほど，強くなる （厳密には，より弱くない） 【！non-decreasing】。 これらの適用の結果、 発話~合成器が通常時に生産する強勢 （すなわち， `normal$v に対応する値）は，より強められる。 ◎ These values are monotonically non-decreasing in strength. Their application results in more emphasis than what the speech synthesizer would normally produce (i.e. more than the value corresponding to normal).

`reduced@v

【！Effectively】上とは逆に，単語の強勢を抑制する。 ◎ Effectively the opposite of emphasizing a word.

.default-emphasis { voice-stress: normal; }
.lowered-emphasis { voice-stress: reduced; }
.removed-emphasis { voice-stress: none; }
.normal-emphasis { voice-stress: moderate; }
.huge-emphasis { voice-stress: strong; }

<p>これは<em>ばかでかい</em>車だ。</p>
<!-- 前の行†による発話~出力は，次の行と同じになる：

◎
The speech output from the line above is identical to the line below:
 -->
<p>これは<em class="default-emphasis">ばかでかい</em>車だ。</p>

<p>この車は<em class="lowered-emphasis">ゴツい</em>！</p>
<!-- 前の行の強勢は抑制されるのみである一方，次の "`em^e" は全く強勢されない：
◎
The "em" below is totally de-emphasized, whereas the emphasis in the line above is only reduced:
 -->
<p>この車は<em class="removed-emphasis">ゴツい</em>！</p>

<!-- 下の 2 行は強勢~levelの増大をデモる：
◎
The lines below demonstrate increasing levels of emphasis:
 -->
<p>これは<em class="normal-emphasis">ばかでかい</em>車だ！</p>
<p>これは<em class="huge-emphasis">ばかでかい</em>車だ！！</p>

12.1. `voice-duration^p ~prop

`voice-duration$p ~propは、 要素の内容が音声化される際に費やすべき時間を指定する （［ `音声~cue$, `~pause$, `~rest$ ］の時間は含まれない）。 値に `auto$v が指定されていない限り、 この~propは `voice-rate$p ~propより優先され，~voiceに適した発話速度の決定に利用されるべきである。 `voice-duration$p ~propの値が `auto$v でない要素の，子孫に指定されている［ `voice-duration$p, `voice-rate$p ］~propは、 無視するモノトスル。 すなわち，要素~上の `voice-duration$p に指定された `time$t は、 要素の下位tree全体に適用される （子はこの~propを上書きできない）。 ◎ The voice-duration property specifies how long it should take to render the selected element’s content (not including audio cues, pauses and rests ). Unless the value auto is specified, this property takes precedence over the voice-rate property, and should be used to determine a suitable speaking rate for the voice. An element for which the voice-duration property value is not auto can have descendants for which the voice-duration and voice-rate properties are specified, but these must be ignored. In other words, when a <time> is specified for the voice-duration of a selected element, it applies to the entire element subtree (children cannot override the property).

注記： この~propが供する機能性は、 `~SSML$の `prosody$sS 要素の `duration^a 属性に類似する。 ◎ Note: The functionality provided by this property is similar to the duration attribute of the prosody element from the SSML markup language [SSML].

`auto@v

継承される `voice-rate$p を利用している場合、 発話~合成の持続時間に対応する使用~値に解決される。 ◎ Resolves to a used value corresponding to the duration of the speech synthesis when using the inherited voice-rate.

`time [0s,∞]$t

絶対的な時間~単位（秒／~mmlli秒）による値を指定する （例： `+3s^v, `250ms^v ）。 負な値は許容されない。 ◎ Specifies a value in absolute time units (seconds and milliseconds, e.g. "+3s", "250ms"). Only non-negative values are allowed.