Home

/

Glossary

/

Τι είναι το SSML;

Το SSML, οι ετικέτες για παύσεις, προφορά και έμφαση, οι διαφορές μεταξύ μηχανών ομιλίας και πώς οι πράκτορες AI λένε σωστά ονόματα και αριθμούς.

Το SSML (Speech Synthesis Markup Language, γλώσσα σήμανσης σύνθεσης ομιλίας) είναι μια γλώσσα σήμανσης βασισμένη στην XML. Δίνει οδηγίες σε μια μηχανή μετατροπής κειμένου σε ομιλία για το πώς να εκφωνήσει ένα κείμενο: πού να κάνει παύση, πώς να προφέρει μια λέξη, πώς να διαβάσει έναν αριθμό ή μια ημερομηνία και με τι ταχύτητα, ένταση ή τονικό ύψος να μιλήσει. Η μηχανή διαβάζει τις ετικέτες ως οδηγίες και δεν τις εκφωνεί.

Το SSML είναι πρότυπο του World Wide Web Consortium (W3C). Η τρέχουσα έκδοση, SSML 1.1, έγινε Σύσταση του W3C στις 7 Σεπτεμβρίου 2010 και δημιουργήθηκε από την ομάδα εργασίας Voice Browser Working Group του W3C. Σύμφωνα με την προδιαγραφή, σκοπός της είναι να δώσει στους συντάκτες «έναν τυποποιημένο τρόπο ελέγχου πτυχών της ομιλίας, όπως η προφορά, η ένταση, το τονικό ύψος, ο ρυθμός κ.λπ., σε διαφορετικές πλατφόρμες με δυνατότητα σύνθεσης».

Πώς μοιάζει το SSML;

Ένα έγγραφο SSML είναι XML με ένα ριζικό στοιχείο, το <speak>. Αυτό το σύντομο παράδειγμα είναι έγκυρο 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>

Το διάγραμμα δείχνει τι ακούει ο ακροατής για κάθε ετικέτα, όταν η μηχανή την υποστηρίζει.

Διάγραμμα που δείχνει πώς τέσσερις ετικέτες SSML, που χρησιμοποιούνται πέντε φορές, αλλάζουν μία εκφωνούμενη πρόταση. Η ετικέτα say-as με interpret-as characters διαβάζει τον κωδικό B7X4 ως B, 7, X, 4. Η ετικέτα break με time 400ms προσθέτει παύση 0,4 δευτερολέπτων. Η ετικέτα phoneme με συμβολοσειρά IPA ορίζει την προφορά του Manitoba. Η ετικέτα say-as με interpret-as date διαβάζει το 2026-11-19 ως ημερομηνία, δηλαδή 19 Νοεμβρίου 2026. Η ετικέτα sub με alias Doctor διαβάζει το Dr. ως Doctor. Μια υποσημείωση αναφέρει ότι η ακριβής απόδοση εξαρτάται από τη μηχανή ομιλίας και τη φωνή.
Τέσσερις ετικέτες SSML, που χρησιμοποιούνται πέντε φορές, και τι ακούει ο ακροατής για καθεμία. Οι αναγνώσεις ακολουθούν την προδιαγραφή του W3C και τους κανόνες say-as του Google Cloud· άλλες μηχανές μπορεί να τις αποδίδουν διαφορετικά. Διάγραμμα της Retell AI, Νοέμβριος 2026.

Ποιες είναι οι πιο συνηθισμένες ετικέτες SSML;

Οι περιγραφές ακολουθούν την προδιαγραφή του W3C.

ΕτικέταΤι κάνειΠαράδειγμα
<speak>Το ριζικό στοιχείο κάθε εγγράφου SSML. Στο SSML 1.1 τα χαρακτηριστικά version και xml:lang είναι υποχρεωτικά, μαζί με το namespace του SSML.<speak version="1.1" xml:lang="en-US">
<break>Προσθέτει παύση ή προσωδιακό όριο, που ορίζεται με το strength (από none έως x-strong) ή με το time.<break time="400ms"/>
<say-as>Δηλώνει στη μηχανή τι είδους κείμενο διαβάζει, όπως ημερομηνία, ώρα, αριθμό ή χρηματικό ποσό.<say-as interpret-as="characters">B7X4</say-as>
<phoneme>Δίνει φωνητική προφορά για το περικλειόμενο κείμενο. Η προδιαγραφή αναφέρει ότι οι μηχανές θα πρέπει να υποστηρίζουν το αλφάβητο ipa.<phoneme alphabet="ipa" ph="...">
<sub>Εκφωνεί την τιμή του alias στη θέση του γραπτού κειμένου.<sub alias="Doctor">Dr.</sub>
<prosody>Αλλάζει το τονικό ύψος, τον ρυθμό ομιλίας και την ένταση του περικλειόμενου κειμένου.<prosody rate="slow">
<emphasis>Ζητά έμφαση σε μια λέξη ή φράση, με level strong, moderate, none ή reduced.<emphasis level="strong">

Δύο λεπτομέρειες της προδιαγραφής εξηγούν γιατί τα αποτελέσματα διαφέρουν. Πρώτον, ορίζει το <say-as> αλλά «δεν απαριθμεί τις πιθανές τιμές των χαρακτηριστικών», οπότε η λίστα τιμών του interpret-as είναι διαφορετική για κάθε πάροχο. Δεύτερον, χαρακτηρίζει τις τιμές prosody «ενδεικτικές» και αφήνει τη μηχανή να αποφασίσει πώς θα αποδώσει την έμφαση.

Πού διαφέρει η υποστήριξη SSML μεταξύ των μηχανών ομιλίας;

Κάθε μηχανή υλοποιεί το δικό της υποσύνολο, και τα νεότερα μοντέλα φωνής συχνά υποστηρίζουν λιγότερη σήμανση από τα παλαιότερα. Σύμφωνα με την τεκμηρίωση κάθε παρόχου, όπως διαβάστηκε στις 13 Νοεμβρίου 2026:

  • Το Google Cloud Text-to-Speech υποστηρίζει «ένα υποσύνολο των διαθέσιμων ετικετών SSML». Οι φωνές Chirp 3: HD δέχονται δέκα ετικέτες χωρίς το <emphasis>, οι υπόλοιπες ετικέτες «θα αγνοηθούν», ενώ τα αιτήματα streaming δεν δέχονται SSML.
  • Το Amazon Polly παραθέτει την υποστήριξη ετικετών ανά τύπο φωνής. Το <emphasis> δεν είναι διαθέσιμο σε neural, long-form ή generative φωνές, και μια μη υποστηριζόμενη ετικέτα σε standard, neural ή long-form φωνές επιστρέφει σφάλμα.
  • Το Azure AI Speech βασίζει την υλοποίησή του στο SSML 1.0 και αναφέρει ότι τα υποστηριζόμενα στοιχεία του «μπορεί να διαφέρουν από το πρότυπο του W3C». Προσθέτει δικά του στοιχεία mstts για στιλ ομιλίας, ενώ η έμφαση σε επίπεδο λέξης λειτουργεί σε τρεις συγκεκριμένες αγγλικές φωνές.
  • Η ElevenLabs υποστηρίζει δύο ετικέτες SSML σε ορισμένα μοντέλα: το <break> για παύσεις έως 3 δευτερόλεπτα και το <phoneme> μόνο στο Flash v2. Τα Eleven v3 και v4 δεν υποστηρίζουν ετικέτες break.
  • Το Cartesia Sonic τεκμηριώνει δικές του ετικέτες «τύπου SSML»: speed, volume, emotion, break και spell.

Το ίδιο έγγραφο μπορεί να τηρηθεί από μία μηχανή, να αγνοηθεί σιωπηλά από άλλη και να απορριφθεί από μια τρίτη. Δοκιμάστε τη σήμανση στην ακριβή φωνή και στο μοντέλο που θα χρησιμοποιήσετε.

Γιατί έχει σημασία το SSML για τους φωνητικούς πράκτορες;

Ο καλών δεν βλέπει το κείμενο. Στο φωνητικό AI, μια λανθασμένη ανάγνωση κοστίζει μια επανάληψη ή μια λανθασμένη καταχώριση:

  • Ονόματα. Προφορές επωνυμιών, φαρμάκων και επωνύμων που η φωνή μαντεύει λάθος.
  • Αριθμοί. Ένας κωδικός επιβεβαίωσης που διαβάζεται ως μία λέξη ή ένας αριθμός λογαριασμού που διαβάζεται ως ποσότητα.
  • Ημερομηνίες και ώρες. Μια ημερομηνία όπως 11/19 που διαβάζεται ως δύο ξεχωριστοί αριθμοί.
  • Παύσεις. Χρόνος για να σημειώσει κανείς κάθε ομάδα ψηφίων ενός αριθμού τηλεφώνου.

Το SSML ταιριάζει σε προκαθορισμένα μηνύματα, όπου ένας προγραμματιστής σημαίνει κάθε γραμμή μία φορά. Αυτό ταιριάζει σε ένα μενού IVR. Ταιριάζει λιγότερο σε έναν ζωντανό φωνητικό πράκτορα AI.

Πώς χειρίζονται την προφορά οι φωνητικοί πράκτορες με LLM χωρίς SSML;

Σε έναν πράκτορα που βασίζεται σε LLM, ένα μεγάλο γλωσσικό μοντέλο γράφει κάθε απάντηση κατά τη διάρκεια της κλήσης και το κείμενο μεταδίδεται στη μηχανή ομιλίας καθώς παράγεται (πώς λειτουργεί η αλυσίδα STT, LLM και TTS). Κανείς δεν σημαίνει τις προτάσεις με το χέρι, και το streaming προσθέτει μια παγίδα: η τεκμηρίωση της Cartesia προειδοποιεί ότι μια ετικέτα speed ή volume που χωρίζεται σε διαδοχικά tokens διαβάζεται φωναχτά. Αντί γι' αυτό, οι ομάδες χρησιμοποιούν τέσσερις μεθόδους:

  • Prompt για εκφωνήσιμο κείμενο. Ζητήστε από το μοντέλο να γράφει «τέσσερα ένα πέντε» αντί για «415».
  • Κανονικοποίηση κειμένου. Ένα βήμα πριν από τη σύνθεση μετατρέπει αριθμούς, ημερομηνίες και νομισματικά ποσά σε προφορική μορφή.
  • Λεξικό προφοράς. Μια λίστα λέξεων με φωνητική γραφή, που εφαρμόζεται σε κάθε απάντηση.
  • Έλεγχοι ομιλίας της πλατφόρμας. Ενσωματωμένοι δείκτες που η πλατφόρμα μετατρέπει για κάθε πάροχο φωνής.

Πώς χειρίζεται η Retell AI τις παύσεις και την προφορά;

Η τεκμηρίωση της Retell AI δεν περιγράφει είσοδο ακατέργαστου SSML. Τεκμηριώνει τους εξής ελέγχους:

  • Παύσεις και συλλαβισμός. Σύμφωνα με την τεκμηρίωση των ελέγχων ομιλίας, μια παύλα με κενό από κάθε πλευρά προσθέτει παύση, ενώ οι ετικέτες <spell> διαβάζουν έναν κωδικό ή αριθμό λογαριασμού χαρακτήρα προς χαρακτήρα. Η Retell μετατρέπει την ετικέτα «στη μορφή που λειτουργεί καλύτερα για τη φωνή του πράκτορά σας».
  • Λεξικό προφοράς. Οι καταχωρίσεις δέχονται μια λέξη και ένα φώνημα σε IPA, CMU, Pinyin ή Jyutping. Οι φωνές της πλατφόρμας Retell δέχονται IPA και CMU, ενώ ορισμένα μοντέλα παρόχων δεν δέχονται κανένα.
  • Κανονικοποίηση ομιλίας (Speech Normalization). Μια προρρύθμιση του Agent Handbook, απενεργοποιημένη από προεπιλογή, που μορφοποιεί αριθμούς, ημερομηνίες, χρηματικά ποσά και αριθμούς τηλεφώνου σε προφορική μορφή.

Δείτε επίσης πώς λειτουργούν οι φωνητικοί πράκτορες AI σε μια κλήση.

Συχνές ερωτήσεις για το SSML

Σε τι χρησιμοποιείται το SSML;

Ελέγχει πώς μια μηχανή μετατροπής κειμένου σε ομιλία διαβάζει φωναχτά το κείμενο: παύσεις, προφορά, ανάγνωση αριθμών και ημερομηνιών, καθώς και τονικό ύψος, ρυθμό και ένταση.

Είναι το SSML ίδιο σε κάθε μηχανή μετατροπής κειμένου σε ομιλία;

Όχι. Κάθε μηχανή υποστηρίζει το δικό της υποσύνολο της προδιαγραφής του W3C και προσθέτει δικές της ετικέτες, οπότε η σήμανση συχνά χρειάζεται αλλαγές από μηχανή σε μηχανή.

Υποστηρίζει η ElevenLabs το SSML;

Εν μέρει. Η τεκμηρίωσή της περιγράφει ετικέτες break για παύσεις έως 3 δευτερόλεπτα και ετικέτες phoneme στο μοντέλο Flash v2. Τα Eleven v3 και v4 δεν υποστηρίζουν ετικέτες break (από τον Νοέμβριο του 2026).

Ποια είναι η διαφορά μεταξύ SSML και λεξικού προφοράς;

Οι ετικέτες SSML βρίσκονται μέσα σε ένα συγκεκριμένο κείμενο και εφαρμόζονται μόνο εκεί. Ένα λεξικό προφοράς είναι μια ξεχωριστή λίστα λέξεων που η μηχανή ή η πλατφόρμα εφαρμόζει σε κάθε αντίστοιχη λέξη.

Χρησιμοποιούν SSML οι φωνητικοί πράκτορες AI;

Ορισμένοι ναι, όπου η μηχανή ομιλίας το δέχεται. Πολλοί βασίζονται σε prompts, κανονικοποίηση κειμένου και λεξικά προφοράς, επειδή οι απαντήσεις παράγονται σε πραγματικό χρόνο και ορισμένα νεότερα μοντέλα φωνής δέχονται ελάχιστο SSML.

Κάντε κάθε όνομα και αριθμό να ακούγεται σωστά

Η Retell AI είναι μια πλατφόρμα φωνητικών πρακτόρων AI για κέντρα επικοινωνίας. Μπορείτε να ελέγχετε τις παύσεις, τον συλλαβισμό και την προφορά για κάθε πράκτορα και να ακούτε το αποτέλεσμα σε δοκιμαστική κλήση μέσω web. Μιλήστε με την ομάδα της Retell.

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

Φέρτε επανάσταση στις τηλεφωνικές σας λειτουργίες με τη Retell