Home

/

Glossary

/

Vad är SSML?

Vad SSML är, taggarna som styr pauser, uttal och betoning, var talmotorer skiljer sig åt och hur röstagenter uttalar namn och siffror rätt.

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”.

Hur ser SSML ut?

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.

Diagram som visar hur fyra SSML-taggar, använda fem gånger, förändrar en uttalad mening. Taggen say-as med interpret-as characters läser koden B7X4 som B, 7, X, 4. Taggen break med time 400ms lägger till en paus på 0,4 sekunder. Taggen phoneme med en IPA-sträng anger uttalet av Manitoba. Taggen say-as med interpret-as date läser 2026-11-19 som ett datum, den nittonde november 2026. Taggen sub med alias Doctor läser Dr. som Doctor. En fotnot anger att den exakta återgivningen beror på talmotorn och rösten.
Fyra SSML-taggar, använda fem gånger, och vad en lyssnare hör för varje. Läsningarna följer W3C-specifikationen och Google Clouds say-as-regler; andra motorer kan återge dem annorlunda. Diagram av Retell AI, november 2026.

Vilka är de vanligaste SSML-taggarna?

Beskrivningarna följer W3C-specifikationen.

TaggVad den görExempel
<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.

Var skiljer sig SSML-stödet mellan talmotorer?

Varje motor implementerar sin egen delmängd, och nyare röstmodeller stöder ofta mindre märkning än äldre. Enligt respektive leverantörs dokumentation, läst den 13 november 2026:

  • Google Cloud Text-to-Speech stöder ”en delmängd av de tillgängliga SSML-taggarna”. Dess Chirp 3: HD-röster accepterar tio taggar utan <emphasis>, andra taggar ”ignoreras” och strömmande förfrågningar tar inte emot SSML.
  • Amazon Polly listar taggstöd per rösttyp. <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.
  • Azure AI Speech baserar sin implementation på SSML 1.0 och anger att de element som stöds ”kan skilja sig från W3C-standarden”. Tjänsten lägger till egna mstts-element för talstilar, och betoning på ordnivå fungerar på tre namngivna engelska röster.
  • ElevenLabs stöder två SSML-taggar på vissa modeller: <break> för pauser på upp till 3 sekunder och <phoneme> endast på Flash v2. Eleven v3 och v4 stöder inte break-taggar.
  • Cartesia Sonic dokumenterar egna ”SSML-liknande” taggar: speed, volume, emotion, break och spell.

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.

Varför är SSML viktigt för röstagenter?

Den som ringer kan inte se texten. Inom röst-AI kostar en felaktig läsning en upprepning eller en felaktig registrering:

  • Namn. Uttal av varumärken, läkemedel och efternamn som rösten gissar fel på.
  • Siffror. En bekräftelsekod som läses som ett ord, eller ett kontonummer som läses som en mängd.
  • Datum och tider. Ett datum som 11/19 som läses som två separata tal.
  • Pauser. Tid att skriva ner varje grupp i ett telefonnummer.

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.

Hur hanterar LLM-drivna röstagenter uttal utan SSML?

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:

  • Prompta för uttalbar text. Be modellen skriva ”fyra ett fem” i stället för ”415”.
  • Textnormalisering. Ett steg före syntesen omvandlar siffror, datum och valuta till talad form.
  • En uttalsordlista. En ordlista med fonetiska stavningar som tillämpas på varje svar.
  • Plattformens talkontroller. Inbäddade markörer som plattformen översätter för varje röstleverantör.

Hur hanterar Retell AI pauser och uttal?

Retell AI:s dokumentation beskriver inte rå SSML-inmatning. Den dokumenterar följande kontroller:

  • Pauser och stavning. Enligt dokumentationen om talkontroller lägger ett tankstreck med ett mellanslag på varje sida till en paus, och <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”.
  • Uttalsordlista. Poster består av ett ord och ett fonem i IPA, CMU, Pinyin eller Jyutping. Retells plattformsröster tar emot IPA och CMU, och vissa leverantörsmodeller tar inte emot något av dem.
  • Speech Normalization. En förinställning i Agent Handbook, avstängd som standard, som formaterar siffror, datum, belopp och telefonnummer till talad form.

Se även hur AI-röstagenter fungerar under ett samtal.

Vanliga frågor om SSML

Vad används SSML till?

SSML styr hur en text-till-tal-motor läser upp text: pauser, uttal, hur siffror och datum läses samt tonhöjd, hastighet och volym.

Fungerar SSML likadant i alla text-till-tal-motorer?

Nej. Varje motor stöder sin egen delmängd av W3C-specifikationen och lägger till egna taggar, så märkningen behöver ofta ändras mellan motorer.

Stöder ElevenLabs SSML?

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).

Vad är skillnaden mellan SSML och en uttalsordlista?

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.

Använder AI-röstagenter SSML?

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.

Få varje namn och nummer att låta rätt

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.

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

Revolutionera din samtalsverksamhet med Retell