SSML (لغة ترميز تركيب الكلام، Speech Synthesis Markup Language) هي لغة ترميز قائمة على XML تُخبر محرك تحويل النص إلى كلام بكيفية نطق نص ما: أين يتوقف، وكيف ينطق كلمة، وكيف يقرأ رقمًا أو تاريخًا، وبأي سرعة وعلوّ وطبقة صوت يتحدث. يقرأ المحرك الوسوم بوصفها تعليمات ولا ينطقها.
SSML معيار صادر عن اتحاد شبكة الويب العالمية (W3C). وقد أصبح الإصدار الحالي، SSML 1.1، توصيةً رسمية من W3C في 7 سبتمبر 2010، وأعدّته مجموعة عمل Voice Browser التابعة لـ W3C. وتنص المواصفة على أن غرضها هو منح المؤلفين «طريقة قياسية للتحكم في جوانب الكلام مثل النطق ومستوى الصوت وطبقته والسرعة وغيرها عبر منصات مختلفة قادرة على تركيب الكلام».
مستند SSML هو مستند XML بعنصر جذري واحد هو <speak>. هذا المثال القصير صالح وفق SSML 1.1:
<speak version="1.1" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
Your code is <say-as interpret-as="characters">B7X4</say-as>.
<break time="400ms"/>
It ships to <phoneme alphabet="ipa" ph="ˌmænɪˈtoʊbə">Manitoba</phoneme>
on <say-as interpret-as="date" format="yyyymmdd" detail="1">2026-11-19</say-as>.
Questions go to <sub alias="Doctor">Dr.</sub> Lee.
</speak>يوضّح الشكل ما يسمعه المستمع عند كل وسم حين يدعمه المحرك.

الأوصاف مأخوذة من مواصفة W3C.
| الوسم | وظيفته | مثال |
|---|---|---|
<speak> | العنصر الجذري لكل مستند SSML. في SSML 1.1 تكون السمتان version وxml:lang إلزاميتين، إضافةً إلى نطاق أسماء SSML. | <speak version="1.1" xml:lang="en-US"> |
<break> | يضيف توقفًا أو حدًّا نغميًا، يُحدَّد عبر strength (من none إلى x-strong) أو عبر time. | <break time="400ms"/> |
<say-as> | يُخبر المحرك بنوع النص الذي يقرؤه، مثل تاريخ أو وقت أو رقم أو مبلغ مالي. | <say-as interpret-as="characters">B7X4</say-as> |
<phoneme> | يقدّم نطقًا صوتيًا للنص المحاط به. وتنص المواصفة على أنه ينبغي للمحركات دعم الأبجدية ipa. | <phoneme alphabet="ipa" ph="..."> |
<sub> | ينطق قيمة alias بدلًا من النص المكتوب. | <sub alias="Doctor">Dr.</sub> |
<prosody> | يغيّر طبقة الصوت وسرعة الكلام ومستوى الصوت للنص المحاط به. | <prosody rate="slow"> |
<emphasis> | يطلب التشديد على كلمة أو عبارة، بقيمة level هي strong أو moderate أو none أو reduced. | <emphasis level="strong"> |
تفسّر تفصيلتان في المواصفة سبب تفاوت النتائج. أولًا، تُعرّف المواصفة <say-as> لكنها «لا تُعدّد القيم الممكنة للسمات»، لذا فإن قائمة قيم interpret-as خاصة بكل مزوّد. ثانيًا، تصف قيم prosody بأنها «إرشادية» وتترك للمحرك تحديد طريقة أداء التشديد.
يطبّق كل محرك مجموعة فرعية خاصة به، وغالبًا ما تدعم نماذج الصوت الأحدث ترميزًا أقل من النماذج الأقدم. وفقًا لوثائق كل مزوّد كما اطُّلع عليها في 13 نوفمبر 2026:
<emphasis>، أما الوسوم الأخرى «فسيتم تجاهلها»، ولا تقبل طلبات البث أي SSML.<emphasis> غير متاح في الأصوات neural أو long-form أو generative، ويؤدي استخدام وسم غير مدعوم في الأصوات standard أو neural أو long-form إلى إرجاع خطأ.mstts خاصة به لأنماط التحدث، ويعمل التشديد على مستوى الكلمة مع ثلاثة أصوات إنجليزية محددة.<break> للتوقفات حتى 3 ثوانٍ، و<phoneme> في Flash v2 فقط. ولا يدعم Eleven v3 وv4 وسوم break.قد يلتزم محرك ما بالمستند نفسه، ويتجاهله آخر بصمت، ويرفضه ثالث. اختبر الترميز على الصوت والنموذج نفسيهما اللذين ستشغّلهما.
لا يستطيع المتصل رؤية النص. وفي الذكاء الاصطناعي الصوتي، تكلّف القراءة الخاطئة تكرارًا أو سجلًا خاطئًا:
يناسب SSML عبارات prompt المُعدّة مسبقًا، حيث يضع المطوّر الوسوم على كل سطر مرة واحدة. وهذا يلائم قائمة IVR، لكنه أقل ملاءمة لـوكيل صوتي بالذكاء الاصطناعي يعمل مباشرة.
في الوكيل المعتمد على LLM، يكتب نموذج لغوي كبير كل ردّ أثناء المكالمة، ويتدفق النص إلى محرك الكلام فور توليده (كيف يعمل مسار STT وLLM وTTS). لا أحد يضع الوسوم على الجمل يدويًا، ويضيف البث عقبة أخرى: إذ تحذّر وثائق Cartesia من أن وسم السرعة أو مستوى الصوت المقسّم عبر tokens متدفقة يُقرأ بصوت مسموع. لذا تستخدم الفرق بدلًا من ذلك أربع طرق:
لا تصف وثائق Retell AI إدخال SSML الخام، بل توثّق عناصر التحكم التالية:
<spell> الرمز أو رقم الحساب حرفًا حرفًا. وتحوّل منصّة Retell الوسم «إلى الصيغة الأنسب لصوت وكيلك».انظر أيضًا كيف يعمل الوكلاء الصوتيون بالذكاء الاصطناعي أثناء المكالمة.
يتحكم في كيفية قراءة محرك تحويل النص إلى كلام للنص بصوت مسموع: التوقفات، والنطق، وقراءة الأرقام والتواريخ، وطبقة الصوت وسرعته ومستواه.
لا. يدعم كل محرك مجموعة فرعية خاصة به من مواصفة W3C ويضيف وسومه الخاصة، لذا غالبًا ما يحتاج الترميز إلى تعديلات عند الانتقال بين المحركات.
جزئيًا. تصف وثائقه وسوم break للتوقفات حتى 3 ثوانٍ ووسوم phoneme في نموذج Flash v2. ولا يدعم Eleven v3 وv4 وسوم break (حتى نوفمبر 2026).
توضع وسوم SSML داخل نص بعينه ولا تُطبَّق إلا عليه. أما قاموس النطق فهو قائمة كلمات منفصلة يطبّقها المحرك أو المنصة على كل كلمة مطابقة.
بعضهم يستخدمه حيث يقبله محرك الكلام. ويعتمد كثيرون على صياغة prompt وتطبيع النص وقواميس النطق، لأن الردود تُولَّد مباشرةً وبعض نماذج الصوت الأحدث لا تقبل إلا القليل من SSML.
تُعدّ Retell AI منصّةً للوكلاء الصوتيين بالذكاء الاصطناعي مخصّصة لمراكز التواصل. يمكنك التحكم في التوقفات والتهجئة والنطق لكل وكيل، والاستماع إلى النتيجة في اختبار مكالمة ويب. تواصل مع فريق Retell.
How Retell handles audits, data retention and access control.
Table of contents