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".
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.

Beskrivelserne følger W3C-specifikationen.
| Tag | Hvad det gør | Eksempel |
|---|---|---|
<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.
Hver motor implementerer sit eget udsnit, og nyere stemmemodeller understøtter ofte mindre markup end ældre. Ifølge hver leverandørs dokumentation, læst 13. november 2026:
<emphasis>, andre tags "ignoreres", og streaming-forespørgsler accepterer ingen SSML.<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.mstts-elementer til talestile, og betoning på ordniveau virker på tre navngivne engelske stemmer.<break> til pauser på op til 3 sekunder og <phoneme> kun på Flash v2. Eleven v3 og v4 understøtter ikke break-tags.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.
En opkalder kan ikke se teksten. Inden for stemme-AI koster en forkert oplæsning en gentagelse eller en forkert registrering:
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.
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:
Retell AI's dokumentation beskriver ikke rå SSML-input. Den dokumenterer disse kontroller:
<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".Se også hvordan AI-stemmeagenter fungerer under et opkald.
Det styrer, hvordan en tekst-til-tale-motor læser tekst højt: pauser, udtale, oplæsning af tal og datoer samt tonehøjde, hastighed og lydstyrke.
Nej. Hver motor understøtter sit eget udsnit af W3C-specifikationen og tilføjer sine egne tags, så markup skal ofte tilpasses mellem motorer.
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).
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.
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.
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.
How Retell handles audits, data retention and access control.
Table of contents