Home

/

Glossary

/

Hvad er SSML?

Hvad SSML er, hvilke tags der styrer pauser, udtale og betoning, hvor talemotorer adskiller sig, og hvordan stemmeagenter udtaler navne og tal korrekt.

SSML (Speech Synthesis Markup Language) er et XML-baseret markup-sprog, der fortæller en tekst-til-tale-motor, hvordan et stykke tekst skal siges: hvor der skal holdes pause, hvordan et ord udtales, hvordan et tal eller en dato læses op, og hvor hurtigt, højt eller med hvilken tonehøjde der skal tales. Motoren læser tags som instruktioner og udtaler dem ikke.

SSML er en standard fra World Wide Web Consortium (W3C). Den nuværende version, SSML 1.1, blev en W3C-anbefaling den 7. september 2010 og blev udarbejdet af W3C's Voice Browser Working Group. Specifikationen beskriver sit formål som at give forfattere "en standardiseret måde at styre aspekter af tale som udtale, lydstyrke, tonehøjde, hastighed osv. på tværs af forskellige platforme med talesyntese".

Hvordan ser SSML ud?

Et SSML-dokument er XML med ét rodelement, <speak>. Dette korte eksempel er gyldig 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>

Figuren viser, hvad en lytter hører for hvert tag, når motoren understøtter det.

Diagram, der viser, hvordan fire SSML-tags, brugt fem gange, ændrer én talt sætning. Say-as-tagget med interpret-as characters læser koden B7X4 som B, 7, X, 4. Break-tagget med time 400ms tilføjer en pause på 0,4 sekunder. Phoneme-tagget med en IPA-streng fastlægger udtalen af Manitoba. Say-as-tagget med interpret-as date læser 2026-11-19 som en dato, den 19. november 2026. Sub-tagget med alias Doctor læser Dr. som Doctor. En fodnote angiver, at den præcise gengivelse afhænger af talemotoren og stemmen.
Fire SSML-tags, brugt fem gange, og hvad en lytter hører for hvert af dem. Oplæsningerne følger W3C-specifikationen og Google Clouds say-as-regler; andre motorer kan gengive dem anderledes. Diagram af Retell AI, november 2026.

Hvilke SSML-tags er de mest almindelige?

Beskrivelserne følger W3C-specifikationen.

TagHvad det gørEksempel
<speak>Rodelementet i ethvert SSML-dokument. I SSML 1.1 er attributterne version og xml:lang påkrævet, ligesom SSML-navnerummet.<speak version="1.1" xml:lang="en-US">
<break>Tilføjer en pause eller en prosodisk grænse, angivet med strength (fra none til x-strong) eller med time.<break time="400ms"/>
<say-as>Fortæller motoren, hvilken slags tekst den læser, fx en dato, et klokkeslæt, et tal eller et beløb.<say-as interpret-as="characters">B7X4</say-as>
<phoneme>Angiver en fonetisk udtale af den omsluttede tekst. Ifølge specifikationen bør motorer understøtte alfabetet ipa.<phoneme alphabet="ipa" ph="...">
<sub>Udtaler værdien i alias i stedet for den skrevne tekst.<sub alias="Doctor">Dr.</sub>
<prosody>Ændrer tonehøjde, talehastighed og lydstyrke for den omsluttede tekst.<prosody rate="slow">
<emphasis>Beder om tryk på et ord eller en frase med et level på strong, moderate, none eller reduced.<emphasis level="strong">

To detaljer i specifikationen forklarer, hvorfor resultaterne varierer. For det første definerer den <say-as>, men "opregner ikke de mulige værdier for attributterne", så listen over interpret-as-værdier er den enkelte leverandørs egen. For det andet kalder den prosody-værdier "vejledende" og lader motoren bestemme, hvordan betoning gengives.

Hvor er der forskel på SSML-understøttelsen mellem talemotorer?

Hver motor implementerer sit eget udsnit, og nyere stemmemodeller understøtter ofte mindre markup end ældre. Ifølge hver leverandørs dokumentation, læst 13. november 2026:

  • Google Cloud Text-to-Speech understøtter "et udsnit af de tilgængelige SSML-tags". Dens Chirp 3: HD-stemmer accepterer ti tags uden <emphasis>, andre tags "ignoreres", og streaming-forespørgsler accepterer ingen SSML.
  • Amazon Polly oplister understøttelse af tags efter stemmetype. <emphasis> er ikke tilgængelig på neural-, long-form- eller generative stemmer, og et tag, der ikke understøttes, returnerer en fejl på standard-, neural- og long-form-stemmer.
  • Azure AI Speech baserer sin implementering på SSML 1.0 og oplyser, at de understøttede elementer "kan afvige fra W3C-standarden". Den tilføjer sine egne mstts-elementer til talestile, og betoning på ordniveau virker på tre navngivne engelske stemmer.
  • ElevenLabs understøtter to SSML-tags på visse modeller: <break> til pauser på op til 3 sekunder og <phoneme> kun på Flash v2. Eleven v3 og v4 understøtter ikke break-tags.
  • Cartesia Sonic dokumenterer sine egne "SSML-lignende" tags: speed, volume, emotion, break og spell.

Det samme dokument kan blive respekteret af én motor, ignoreret i stilhed af en anden og afvist af en tredje. Test din markup på præcis den stemme og model, du skal køre.

Hvorfor er SSML vigtigt for stemmeagenter?

En opkalder kan ikke se teksten. Inden for stemme-AI koster en forkert oplæsning en gentagelse eller en forkert registrering:

  • Navne. Udtalen af brands, lægemidler og efternavne, som stemmen gætter forkert.
  • Tal. En bekræftelseskode læst som ét ord eller et kontonummer læst som en mængde.
  • Datoer og klokkeslæt. En dato som 11/19 læst som to separate tal.
  • Pauser. Tid til at skrive hver gruppe af et telefonnummer ned.

SSML egner sig til scriptede prompts, hvor en udvikler tagger hver linje én gang. Det passer til en IVR-menu. Det passer dårligere til en live AI-stemmeagent.

Hvordan håndterer LLM-drevne stemmeagenter udtale uden SSML?

I en LLM-drevet agent skriver en stor sprogmodel hvert svar under opkaldet, og teksten streames til talemotoren, efterhånden som den genereres (sådan fungerer STT-, LLM- og TTS-pipelinen). Ingen tagger sætninger manuelt, og streaming giver en ekstra udfordring: Cartesias dokumentation advarer om, at et speed- eller volume-tag, der deles på tværs af streamede tokens, bliver læst højt. Teams bruger i stedet fire metoder:

  • Prompt efter tekst, der kan udtales. Bed modellen skrive "fire en fem" i stedet for "415".
  • Tekstnormalisering. Et trin før talesyntesen konverterer tal, datoer og valuta til talt form.
  • En udtaleordbog. En ordliste med fonetiske stavemåder, som anvendes på hvert svar.
  • Platformens talekontroller. Inline-markører, som platformen oversætter for hver stemmeudbyder.

Hvordan håndterer Retell AI pauser og udtale?

Retell AI's dokumentation beskriver ikke rå SSML-input. Den dokumenterer disse kontroller:

  • Pauser og stavning. Ifølge dokumentationen om talekontroller tilføjer en tankestreg med et mellemrum på hver side en pause, og <spell>-tags læser en kode eller et kontonummer ét tegn ad gangen. Retell konverterer tagget "til det format, der fungerer bedst for din agents stemme".
  • Udtaleordbog. Opslag består af et ord og et fonem i IPA, CMU, Pinyin eller Jyutping. Retell-platformens stemmer accepterer IPA og CMU, og visse udbydermodeller accepterer ingen af dem.
  • Speech Normalization. En forudindstilling i Agent Handbook, der er slået fra som standard, og som formaterer tal, datoer, beløb og telefonnumre til talt form.

Se også hvordan AI-stemmeagenter fungerer under et opkald.

Ofte stillede spørgsmål om SSML

Hvad bruges SSML til?

Det styrer, hvordan en tekst-til-tale-motor læser tekst højt: pauser, udtale, oplæsning af tal og datoer samt tonehøjde, hastighed og lydstyrke.

Er SSML det samme på alle tekst-til-tale-motorer?

Nej. Hver motor understøtter sit eget udsnit af W3C-specifikationen og tilføjer sine egne tags, så markup skal ofte tilpasses mellem motorer.

Understøtter ElevenLabs SSML?

Delvist. Dokumentationen beskriver break-tags til pauser på op til 3 sekunder og phoneme-tags på modellen Flash v2. Eleven v3 og v4 understøtter ikke break-tags (pr. november 2026).

Hvad er forskellen på SSML og en udtaleordbog?

SSML-tags står inde i et enkelt stykke tekst og gælder kun dér. En udtaleordbog er en separat ordliste, som motoren eller platformen anvender på hvert matchende ord.

Bruger AI-stemmeagenter SSML?

Nogle gør, hvor talemotoren accepterer det. Mange benytter sig af prompting, tekstnormalisering og udtaleordbøger, fordi svarene genereres live, og nogle nyere stemmemodeller accepterer kun lidt SSML.

Få alle navne og tal til at lyde rigtigt

Retell AI er en platform for AI-stemmeagenter til kontaktcentre. Du kan styre pauser, stavning og udtale for hver agent og høre resultatet i et testopkald på nettet. Tal med Retell-teamet.

Security & compliance for regulated deployments

How Retell handles audits, data retention and access control.

Add Retell AI as a preferred source on Google

Further Reading

Related terms

No items found.

Table of contents

Revolutioner din opkaldsdrift med Retell