SSML (Speech Synthesis Markup Language) är ett XML-baserat märkspråk som talar om för en text-till-tal-motor hur en text ska sägas: var den ska pausa, hur ett ord ska uttalas, hur ett tal eller ett datum ska läsas och hur snabbt, högt eller ljust den ska tala. Motorn läser taggarna som instruktioner och uttalar dem inte.
SSML är en standard från World Wide Web Consortium (W3C). Den aktuella versionen, SSML 1.1, blev en W3C-rekommendation den 7 september 2010 och togs fram av W3C:s Voice Browser Working Group. Enligt specifikationen är syftet att ge författare ”ett standardiserat sätt att styra aspekter av tal som uttal, volym, tonhöjd, hastighet osv. på olika plattformar med stöd för talsyntes”.
Ett SSML-dokument är XML med ett enda rotelement, <speak>. Det här korta exemplet är giltig 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>Bilden visar vad en lyssnare hör för varje tagg när motorn stöder den.

Beskrivningarna följer W3C-specifikationen.
| Tagg | Vad den gör | Exempel |
|---|---|---|
<speak> | Rotelement i varje SSML-dokument. I SSML 1.1 krävs attributen version och xml:lang, samt SSML-namnrymden. | <speak version="1.1" xml:lang="en-US"> |
<break> | Lägger till en paus eller prosodisk gräns, som anges med strength (none till x-strong) eller med time. | <break time="400ms"/> |
<say-as> | Talar om för motorn vilken typ av text den läser, till exempel ett datum, en tid, ett tal eller ett valutabelopp. | <say-as interpret-as="characters">B7X4</say-as> |
<phoneme> | Anger ett fonetiskt uttal för den omslutna texten. Enligt specifikationen bör motorer stödja alfabetet ipa. | <phoneme alphabet="ipa" ph="..."> |
<sub> | Uttalar värdet i alias i stället för den skrivna texten. | <sub alias="Doctor">Dr.</sub> |
<prosody> | Ändrar tonhöjd, talhastighet och volym för den omslutna texten. | <prosody rate="slow"> |
<emphasis> | Begär betoning på ett ord eller en fras, med en level som är strong, moderate, none eller reduced. | <emphasis level="strong"> |
Två detaljer i specifikationen förklarar varför resultaten varierar. För det första definierar den <say-as> men ”räknar inte upp de möjliga värdena för attributen”, så listan över interpret-as-värden är varje leverantörs egen. För det andra kallar den prosodivärden ”vägledande” och låter motorn avgöra hur betoning ska återges.
Varje motor implementerar sin egen delmängd, och nyare röstmodeller stöder ofta mindre märkning än äldre. Enligt respektive leverantörs dokumentation, läst den 13 november 2026:
<emphasis>, andra taggar ”ignoreras” och strömmande förfrågningar tar inte emot SSML.<emphasis> är inte tillgänglig för neurala, long-form- eller generativa röster, och en tagg som inte stöds på standard-, neurala eller long-form-röster ger ett fel.mstts-element för talstilar, och betoning på ordnivå fungerar på tre namngivna engelska röster.<break> för pauser på upp till 3 sekunder och <phoneme> endast på Flash v2. Eleven v3 och v4 stöder inte break-taggar.Samma dokument kan följas av en motor, tyst ignoreras av en annan och avvisas av en tredje. Testa märkningen på exakt den röst och modell du ska använda.
Den som ringer kan inte se texten. Inom röst-AI kostar en felaktig läsning en upprepning eller en felaktig registrering:
SSML passar för förskrivna prompter, där en utvecklare taggar varje rad en gång. Det passar en IVR-meny. Det passar sämre för en AI-röstagent som pratar i realtid.
I en LLM-driven agent skriver en stor språkmodell varje svar under samtalet, och texten strömmas till talmotorn medan den genereras (så fungerar kedjan med STT, LLM och TTS). Ingen taggar meningar för hand, och strömningen medför en hake: Cartesias dokumentation varnar för att en speed- eller volume-tagg som delas upp över strömmade tokens läses upp högt. Team använder i stället fyra metoder:
Retell AI:s dokumentation beskriver inte rå SSML-inmatning. Den dokumenterar följande kontroller:
<spell>-taggar läser en kod eller ett kontonummer ett tecken i taget. Retell omvandlar taggen ”till det format som fungerar bäst för din agents röst”.Se även hur AI-röstagenter fungerar under ett samtal.
SSML styr hur en text-till-tal-motor läser upp text: pauser, uttal, hur siffror och datum läses samt tonhöjd, hastighet och volym.
Nej. Varje motor stöder sin egen delmängd av W3C-specifikationen och lägger till egna taggar, så märkningen behöver ofta ändras mellan motorer.
Delvis. Dokumentationen beskriver break-taggar för pauser på upp till 3 sekunder och phoneme-taggar på modellen Flash v2. Eleven v3 och v4 stöder inte break-taggar (per november 2026).
SSML-taggar placeras i en viss text och gäller bara där. En uttalsordlista är en separat ordlista som motorn eller plattformen tillämpar på varje matchande ord.
Vissa gör det, när talmotorn accepterar det. Många förlitar sig på promptning, textnormalisering och uttalsordlistor, eftersom svaren genereras i realtid och vissa nyare röstmodeller accepterar lite SSML.
Retell AI är en plattform för AI-röstagenter för kontaktcenter. Du kan styra pauser, stavning och uttal för varje agent och höra resultatet i ett testsamtal på webben. Kontakta Retell-teamet.
How Retell handles audits, data retention and access control.
Table of contents