Rust: 10 文字以下のテキストで SSML マークアップを読み上げてしまう (Strategy C のラッパが未パース)

[ayutaz]

概要

Rust ランタイムは 10 文字以下のテキストで SSML マークアップを音声として読み上げる。synthesize_with_params が Strategy C のラッパ文字列を SSML としてパースせず、そのまま phonemizer に渡しているため。

根拠（コード）

src/rust/piper-core/src/voice.rs:421-424:

// Strategy C: 短テキストを SSML <break> でラップ
let effective_text = crate::short_text::wrap_short_text_ssml(text);
let text_ref = effective_text.as_str();

// 1. Phonemize: テキストをトークン列 + プロソディ情報に変換
let (tokens, prosody) = self.phonemizer.phonemize_with_prosody(text_ref)?;

wrap_short_text_ssml（src/rust/piper-core/src/short_text.rs）は

<speak><break time="300ms"/>{text}<break time="300ms"/></speak>

を返すが、phonemize_with_prosody は SSML を解釈しない（piper-plus-g2p::ssml は存在するが、この経路からは呼ばれない）。

実測

--timing json の音素列（issue #656 の対応で音素名が見えるようになって発覚）:

$ piper-plus-cli --model multilingual-test-medium.onnx --text "Sol" --timing json
^ _ s _ p _ ˈ _ i _ ː _ k _   _ b _ ɹ _ ˈ _ e _ ɪ _ k _   _ t _ ˈ _ a _ ɪ _ m _ ...
      └─ "speak" ─┘       └─── "break" ───┘      └── "time" ──┘

s p ˈ i ː k = speak、b ɹ ˈ e ɪ k = break、t ˈ a ɪ m = time。つまり <speak> <break time= というマークアップが英語として音素化されている。

phoneme ID 数の比較（phonemize_to_ids(text) vs 実際に推論へ渡った列）:

テキスト	文字数	text 由来 ID	実際の ID	差
Sol	3	11	111	+100
Hola	4	15	115	+100
Hola mundo	10	31	131	+100
Hola mundo bonito hoy	21	—	一致	0

差 +100 がラッパ文字列の音素数にあたる。閾値 SHORT_TEXT_CHARS = 10 を超えると発生しない。

長文では正しく h ˈ o ʊ l ə（"Hola"）から始まり "speak" は現れない。

影響

• 10 文字以下の入力で音声が壊れる（意図したテキストの前後に "speak break time …" が入る）。短い挨拶・単語の読み上げという Strategy C が本来助けたかったユースケースが最も影響を受ける
• --timing 出力も当然その音素列になる
• Rust / Go の phoneme timing が音素名ではなくプレースホルダ（ph_0 / p0）を出力 — spec の reverse_map 未実装 #656 の対応前は完全に不可視だった: timing の音素名が ph_0, ph_1, ... という連番プレースホルダだったため、音素列を見ても何も分からなかった

他ランタイムとの比較

C++ は Strategy C を CLI の --ssml フラグ経由でのみ適用し（src/cpp/main.cpp）、短文の自動ラップは行っていない。Python / Go / C# の該当箇所は未調査。

修正方針（要判断）

1. ラップ後に SSML としてパースする — piper_plus_g2p::ssml で segment 分解し、<break> を無音として扱う（C++ の synthesizeSsmlToBuffer と同じ形）
2. ラップをやめ、無音を直接挿入する — SSML を経由せず、前後に SILENCE_PAD_MS 相当の無音サンプルを付ける。Strategy C の目的（短文の音質改善）はこれで達成できる
3. Strategy C 自体を Rust では無効化する

2 が最も単純で、SSML パーサへの依存も増えない。

受け入れ条件

• 10 文字以下のテキストで音素列にマークアップ由来の音素が現れない
• Strategy C の無音パディングが（何らかの形で）維持されるか、無効化の判断が記録される
• 閾値の前後（10 文字 / 11 文字）を通す回帰テストがある
• Python / Go / C# の同型問題を調査する

関連

#656（Rust / Go の timing が音素名でなくプレースホルダ）の対応中に発見。プレースホルダを実音素名に変えた結果、初めて観測可能になった。