L'SSML (Speech Synthesis Markup Language) è un linguaggio di markup basato su XML che indica a un motore di sintesi vocale (text-to-speech) come pronunciare un testo: dove fare una pausa, come pronunciare una parola, come leggere un numero o una data e con quale velocità, volume o tono parlare. Il motore interpreta i tag come istruzioni e non li pronuncia.
L'SSML è uno standard del World Wide Web Consortium (W3C). La versione attuale, SSML 1.1, è diventata una W3C Recommendation il 7 settembre 2010 ed è stata elaborata dal Voice Browser Working Group del W3C. La specifica dichiara di voler offrire agli autori «un modo standard per controllare aspetti del parlato come pronuncia, volume, tono, velocità, ecc. su diverse piattaforme in grado di effettuare la sintesi».
Un documento SSML è un file XML con un unico elemento radice, <speak>. Questo breve esempio è SSML 1.1 valido:
<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>La figura mostra cosa sente chi ascolta per ciascun tag, quando il motore lo supporta.

Le descrizioni seguono la specifica W3C.
| Tag | Cosa fa | Esempio |
|---|---|---|
<speak> | Elemento radice di ogni documento SSML. In SSML 1.1 gli attributi version e xml:lang sono obbligatori, insieme al namespace SSML. | <speak version="1.1" xml:lang="en-US"> |
<break> | Aggiunge una pausa o un confine prosodico, impostato tramite strength (da none a x-strong) o tramite time. | <break time="400ms"/> |
<say-as> | Indica al motore che tipo di testo sta leggendo, ad esempio una data, un orario, un numero o un importo in valuta. | <say-as interpret-as="characters">B7X4</say-as> |
<phoneme> | Fornisce una pronuncia fonetica per il testo racchiuso. La specifica afferma che i motori dovrebbero supportare l'alfabeto ipa. | <phoneme alphabet="ipa" ph="..."> |
<sub> | Pronuncia il valore di alias al posto del testo scritto. | <sub alias="Doctor">Dr.</sub> |
<prosody> | Modifica tono, velocità di eloquio e volume del testo racchiuso. | <prosody rate="slow"> |
<emphasis> | Richiede l'accento su una parola o una frase, con un level tra strong, moderate, none o reduced. | <emphasis level="strong"> |
Due dettagli della specifica spiegano perché i risultati variano. Primo, definisce <say-as> ma «non elenca i possibili valori degli attributi», quindi l'elenco dei valori di interpret-as è specifico di ciascun fornitore. Secondo, definisce i valori di prosodia «indicativi» e lascia al motore la decisione su come rendere l'enfasi.
Ogni motore implementa un proprio sottoinsieme, e i modelli vocali più recenti spesso supportano meno markup di quelli precedenti. Dalla documentazione di ciascun fornitore, consultata il 13 novembre 2026:
<emphasis>, gli altri tag «verranno ignorati» e le richieste in streaming non accettano SSML.<emphasis> non è disponibile sulle voci neurali, long-form o generative, e un tag non supportato sulle voci standard, neurali o long-form restituisce un errore.mstts per gli stili di eloquio, e l'enfasi a livello di parola funziona su tre specifiche voci inglesi.<break> per pause fino a 3 secondi e <phoneme> solo su Flash v2. Eleven v3 e v4 non supportano i tag break.Lo stesso documento può essere rispettato da un motore, ignorato silenziosamente da un altro e rifiutato da un terzo. Testa il markup sulla voce e sul modello esatti che userai.
Chi chiama non può vedere il testo. Nell'IA vocale, una lettura sbagliata costa una ripetizione o un dato registrato in modo errato:
L'SSML è adatto ai prompt predefiniti, in cui uno sviluppatore tagga ogni riga una sola volta. Funziona bene per un menu IVR. Si adatta meno a un agente vocale con IA in tempo reale.
In un agente basato su LLM, un large language model scrive ogni risposta durante la chiamata e il testo viene trasmesso in streaming al motore vocale man mano che viene generato (come funziona la pipeline STT, LLM e TTS). Nessuno tagga le frasi a mano, e lo streaming aggiunge un'insidia: la documentazione di Cartesia avverte che un tag di velocità o volume diviso tra token trasmessi in streaming viene letto ad alta voce. I team usano invece quattro metodi:
La documentazione di Retell AI non descrive l'input SSML grezzo. Documenta questi controlli:
<spell> leggono un codice o un numero di conto un carattere alla volta. Retell converte il tag «nel formato più adatto alla voce del tuo agente».Vedi anche come funzionano gli agenti vocali con IA durante una chiamata.
Controlla il modo in cui un motore di sintesi vocale legge il testo ad alta voce: pause, pronuncia, lettura di numeri e date, oltre a tono, velocità e volume.
No. Ogni motore supporta un proprio sottoinsieme della specifica W3C e aggiunge tag propri, quindi spesso il markup va modificato da un motore all'altro.
In parte. La sua documentazione descrive i tag break per pause fino a 3 secondi e i tag phoneme sul modello Flash v2. Eleven v3 e v4 non supportano i tag break (a novembre 2026).
I tag SSML si trovano all'interno di un singolo testo e si applicano solo lì. Un dizionario di pronuncia è un elenco di parole separato che il motore o la piattaforma applica a ogni parola corrispondente.
Alcuni sì, quando il motore vocale lo accetta. Molti si affidano a prompt, normalizzazione del testo e dizionari di pronuncia, perché le risposte vengono generate in tempo reale e alcuni modelli vocali più recenti accettano poco SSML.
Retell AI è una piattaforma di agenti vocali con IA per i contact center. Puoi controllare pause, spelling e pronuncia per ciascun agente e ascoltare il risultato in un test di chiamata web. Parla con il team di Retell.
How Retell handles audits, data retention and access control.
Table of contents