GCPのText-to-Speechによるテキストの音声化でより精度を上げるためのアドバイス

GCPのText-to-SpeechのAPIを利用してテキストファイルを音声ファイルに変換して利用しています。 現状、かなり精度は良いのですが、細かい部分で調整が必要です。 例えば、文と文の間を無音を加えて区切りたい場合や発音をより実際に近づけるなどの調整です。 テキスト文で、改行や空欄、句読点などでもコントロール可能と思いますが、1秒間隔を空けたい、 固有名詞を発音させたいなどの細かい調整に関する情報があれば教えてください。 よろしくお願いします。