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».
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.

Οι περιγραφές ακολουθούν την προδιαγραφή του W3C.
| Ετικέτα | Τι κάνει | Παράδειγμα |
|---|---|---|
<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.
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:
<emphasis>, οι υπόλοιπες ετικέτες «θα αγνοηθούν», ενώ τα αιτήματα streaming δεν δέχονται SSML.<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.mstts για στιλ ομιλίας, ενώ η έμφαση σε επίπεδο λέξης λειτουργεί σε τρεις συγκεκριμένες αγγλικές φωνές.<break> για παύσεις έως 3 δευτερόλεπτα και το <phoneme> μόνο στο Flash v2. Τα Eleven v3 και v4 δεν υποστηρίζουν ετικέτες break.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.
Ο καλών δεν βλέπει το κείμενο. Στο φωνητικό AI, μια λανθασμένη ανάγνωση κοστίζει μια επανάληψη ή μια λανθασμένη καταχώριση:
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.
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:
Η τεκμηρίωση της Retell AI δεν περιγράφει είσοδο ακατέργαστου SSML. Τεκμηριώνει τους εξής ελέγχους:
<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».Δείτε επίσης πώς λειτουργούν οι φωνητικοί πράκτορες AI σε μια κλήση.
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.
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.
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).
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.
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.
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.
How Retell handles audits, data retention and access control.
Table of contents