文本转语音 (TTS) 系统利用标点符号和格式提示来确定合成语音的节奏、语调和结构。句号、逗号和问号等标点符号直接影响语音的韵律——即口语中的重音和语调模式。例如，句号通常会引发较长的停顿和下降的语调，以表示句子的结束；而逗号则引入较短的停顿和略微上升的语调，以表示从句边界。问号通常会导致句末语调上升，模仿自然的说话方式。TTS 系统解析这些符号，应用预定义规则或机器学习模型，将标点符号映射到持续时间、音高和停顿长度等声学特征。例如，在句子“你来吗？等等，我需要检查一下。”中，问号会使系统提高“来吗”的音高，而“等等”后面的逗号则会增加一个短暂的停顿。
段落分隔、引号或斜体等格式提示也起作用。段落分隔可能表示较长的停顿或语调变化，以区分不同的想法；而引号可以表示对话或引用文本，促使 TTS 系统调整语音特征（例如，轻微的音高变化）以区分说话者。斜体或粗体文本可能被理解为强调，导致特定词语的重音增加或发音放慢。例如，在“她说，‘绝对不行！’”中，斜体可能会使系统通过提高音量或延长元音持续时间来强调“绝对不行”。一些 TTS 系统也处理 SSML（语音合成标记语言）等标记语言，允许开发者明确控制停顿、强调或发音。例如，<prosody rate="slow">Don’t rush</prosody> 会使包含的文本语速变慢。
然而，由于歧义的存在，处理标点符号和格式可能具有挑战性。在“Smith 医生下午 5 点到达。”中的句号有两个作用：结束缩写词并标记句子边界。TTS 系统通常依赖上下文或预处理步骤（如句子分割算法）来解决此类情况。此外，格式不一致——例如用户生成内容中缺失标点符号——可能导致不自然的停顿或语调。开发者可以通过预处理文本来标准化标点符号（例如，在连句中添加逗号）或使用 SSML 来覆盖默认行为来解决这个问题。例如，在列表项之间插入 <break time="200ms"/> 可以确保停顿一致。使用不同的文本样本进行测试并微调 TTS 引擎设置（例如，停顿持续时间阈值）有助于在自动化解析和类人语音输出之间取得平衡。