LIVE

SSML в TTS API: какие решения годны для интонации

Поддержка SSML в TTS API различается по глубине. Azure AI Speech, Amazon Polly и Google Cloud TTS принимают базовую разметку для пауз, просодии и произношения. Провайдерные стили работают в отдельном контуре. OpenAI Speech не разбирает SSML.

Обновлено20 ноября 2026 г.
Чтение8 мин
SSML в TTS API: какие решения годны для интонации

У ElevenLabs поддерживается только часть разметки.

Для продакшена значение имеет не сам тег, а полная цепочка: XML-парсер, синтетический движок, выбранный голос и тип endpoint. Поддержка базового <prosody> может работать в одной модели и игнорироваться в другой. Сравнение API нужно строить по этим слоям.

Что именно даёт SSML

Фраза «API поддерживает SSML» объединяет четыре разные способности:

1. Разбор разметки. API принимает корректный XML и не принимает неизвестные конструкции.

2. Интерпретация тега. <break> создаёт паузу, <prosody> меняет параметры речи, <phoneme> задаёт фонетическое чтение.

3. Совместимость с голосом. Выбранный voice или модель учитывает соответствующий тег.

4. Совместимость с режимом. Streaming, batch, long-form и real-time endpoint могут иметь разные ограничения.

Основные SSML-теги для облачного синтеза речи:

ТегУправляемый параметрПереносимостьОграничение
<break>Пауза, её длительность или относительная силаВысокаяФормат времени и допустимые значения зависят от API
<prosody>Темп, высота тона, громкостьСредняяПараметры задают относительное поведение, а не точную акустическую траекторию
<phoneme>Произношение отдельного фрагментаСредняяПоддерживаемые фонетические алфавиты различаются
<say-as>Чтение чисел, дат, валют, телефонов и идентификаторовСредняяСемантика привязана к языку и локали
<sub>Замена сокращения или термина на произносимый вариантВысокаяПодставляется текстовая строка, а не произношение
<lang>, xml:langЯзык фрагмента или документаСредняяСмена языка внутри одной речи может менять темп и интонационные границы
Стилевые тегиЭмоция, шёпот, разговорная подачаНизкаяПривязка к конкретному провайдеру, голосу и engine

<prosody> часто воспринимают как полноценный регулятор интонации. На практике API преобразует значения в внутренние acoustic hints. Заданный pitch не означает фиксированную частоту основного тона в герцах. rate сокращает или увеличивает длительность речевых сегментов, но точка перехода между словами может измениться.

SSML задаёт класс просодического поведения, а не траекторию основного тона в герцах.

Точный оттенок зависит также от обучающих данных голоса, языка, длины фразы и соседних предложений. Поэтому одинаковый SSML у Azure, Polly и Google может дать разный результат. Переносимость обеспечивают прежде всего break, базовый prosody, phoneme, say-as и sub. Стили требуют отдельного профиля.

Корневой элемент обычно <speak>. Для Azure требуется корректное XML-пространство имён. Amazon Polly принимает TextSsml, Google Cloud TTS — поле ssml. Входы text и ssml обычно взаимоисключающие. Смешивать текст и готовую XML-разметку в одном поле не следует.

Сравнение API по управлению интонацией

РешениеПоле вводаОсновной SSMLРасширенный контрольПрактическая граница
Azure AI Speechssmlbreak, prosody, phoneme, say-as, submstts:express-as, named styles, custom lexiconsСтили доступны только у поддерживающих их голосов
Amazon PollyTextSsmlРасширенный базовый набор SSMLamazon:effect, amazon:emotion, amazon:domain, механизмы словарейВозможности зависят от engine, voice и режима синтеза
Google Cloud TTSssmlbreak, prosody, phoneme, say-as, subВ основном возможности голоса и языкаНабор тегов и их трактовка зависят от voice и locale
ElevenLabstextДокументированное подмножество SSMLPronunciation dictionaries, голосовые настройкиПереносимый SSML-контракт отсутствует
OpenAI SpeechinputПолноценный SSML не поддерживаетсяВыбор голоса и текстовые instructionsТеги нельзя использовать как команды синтеза

Azure AI Speech

Azure даёт наиболее плотный набор средств управления для сценариев с фиксированной драматургией. Базовые SSML-теги работают с XML-разметкой, а mstts:express-as подключает именованный стиль голоса. Набор стилей привязан к конкретной neural voice. Попытка назначить стиль неподдерживаемому голосу требует fallback-политики.

Отдельный custom lexicon полезен для повторяющихся брендов, аббревиатур и имён. Он снимает необходимость вставлять <phoneme> в каждое вхождение. Для диалоговой озвучки Azure удобен возможностью развести текст, паузу, локальную просодию и стиль реплики по разным сегментам.

Слабое место — смешение уровней управления. Изменение rate внутри стилевой реплики может менять результат сильнее, чем сама директива стиля. Каждую комбинацию voice, style, language и набор тегов нужно тестировать отдельно.

Amazon Polly

Polly давно используется в production-пайплайнах с длительной пакетной озвучкой. API принимает TextSsml и поддерживает расширенный базовый набор разметки. Провайдерские теги amazon:effect, amazon:emotion и amazon:domain позволяют менять характер речи без отдельного текстового описания.

Поддержка эффектов зависит от engine и voice. Стандартный, neural и long-form маршруты могут вести себя по-разному. Словари произношения также связаны с конкретным синтетическим ресурсом. Инлайновый <phoneme> в основном запросе не создаёт тот же словарь, что и отдельный lexicon object.

Для документальной озвучки, аудиокниг и пакетного выпуска Polly остаётся предсказуемым вариантом. Для эмоционального диалога необходимо отдельно проверить, не конфликтуют ли amazon:*, prosody и параметры самого голоса.

Google Cloud TTS

Google Cloud TTS принимает базовую SSML-разметку через отдельное поле ssml. Набор включает управление паузами, темпом, высотой тона, фонетическим чтением, интерпретацией чисел и подстановкой альтернативных вариантов.

Здесь нет отдельного универсального слоя стилей, сопоставимого с Azure или Amazon. Основная регулировка идёт через сам голос, locale и базовые теги. phoneme, say-as и языковые переключения требуют проверки на конкретной модели: часть вариантов чтения зависит от языка и поддерживаемых голосов.

Для коротких озвучек, IVR и системных сообщений API даёт достаточный контроль без сложной адаптации. Для сценариев, где стиль реплики задаётся формально, лучше использовать специализированный speech endpoint с явным набором стилей.

ElevenLabs и OpenAI Speech

ElevenLabs принимает разметку в поле text, но поддерживает документированное подмножество SSML. Набор следует сверять для конкретного endpoint и модели. Для повторяющихся терминов в API есть pronunciation dictionaries. Они часто эффективнее частных фонетических вставок.

Если внутренний формат проекта требует стабильного SSML, ElevenLabs следует подключать через собственный renderer и fallback. Передача тегов в общем виде создаёт зависимость от изменений в конкретной модели.

OpenAI Speech работает с обычным текстом. Параметры voice и instructions меняют подачу, но не превращают текст в SSML. Если LLM генерирует XML-подобные теги, их необходимо удалить до запроса. Иначе возможен буквальный прогнос разметки либо непредсказуемая нормализация.

Поддержка SSML, равная только базовым тегам, подходит для пауз и произношения. Стилизованная интонация требует отдельного голосового профиля.

Какие задачи решаются разными API

ЗадачаПредпочтительный кандидатОснованиеОграничение
FAQ, IVR, короткие системные репликиGoogle Cloud TTS или AzureПредсказуемые break, say-as, базовая просодияОграниченный набор стилей у Google
Диалог с разными эмоциямиAzure AI SpeechNamed styles, mstts:express-as, отдельные custom lexiconsСтили фильтруются по голосу
Длинная пакетная озвучкаAmazon Polly или Google Cloud TTSСтабильный SSML, предсказуемые engineНужны отдельные тесты long-form и словарей
Экспрессивная речь с гибким разметочным слоемElevenLabsРазговорные модели, словари произношенияПоддерживается только часть SSML
Простая озвучка без теговOpenAI SpeechТекстовый вход, выбор голоса, инструкции по стилюSSML недоступен
Термины и имена собственной речиAzure, Polly или ElevenLabsCustom lexicon или pronunciation dictionaryСловарь нужно привязать к voice и locale

Если продукт работает с несколькими провайдерами, выбор одного API на уровне документа не покрывает интеграцию. Потребуется общий протокол и несколько адаптеров.

Архитектура интеграции

1. Внутренняя модель синтеза. Источником истины служит представление с текстом, паузами, параметрами просодии, фонетическими правилами и идентификатором стиля. XML каждого провайдера формируется из него отдельным renderer.

2. Профиль провайдера. В профиле хранятся поддерживаемые теги, допустимые значения, доступные стили, voice mapping и режим endpoint. Профиль версионируется вместе с кодом. Изменение модели без обновления профиля способно изменить подачу.

3. Экранирование данных. Пользовательский текст вставляется только как текстовое содержимое. Символы &, < и > кодируются как XML-сущности. Пользовательские данные не должны попадать в имена тегов или значения атрибутов.

4. Ограниченный fallback. Поддерживаются два режима. В строгом неподдерживаемый тег вызывает ошибку. В совместимом тег удаляется, а голос продолжает генерацию. Сырые неизвестные теги в API не отправляются.

5. Безопасное разбиение. Streaming-пайплайн не разрывает <prosody>, <phoneme> и другие контейнеры. Границы выбираются по предложениям и смысловым блокам. Пауза, расположенная на границе chunk, может потеряться.

6. Кэш и телеметрия. Ключ кэша включает текст, итоговый SSML, voice, model, locale и версию профиля. В логи сохраняются хэш разметки, длительность ответа, TTFB, фактические паузы и число удалённых тегов. Сырые SSML с персональными данными требует редактирования.

Надёжная интеграция хранит намерение синтеза: паузу, просодию, словарь и стиль. Готовый SSML конкретного API остаётся производным форматом.

Контроль качества интонации

Тестовый корпус собирается из реальных сообщений продукта. В него входят числа, даты, валюты, сокращения, имена, URL, email, длинные фрагменты без знаков препинания, вложенная разметка, смешение языков и пустые текстовые узлы.

Каждый тест сравнивается с базовым синтезом без SSML. Фиксируются:

  • длительность выдачи и TTFB;
  • реальные интервалы тишины;
  • изменение темпа относительно baseline;
  • появление пиков и клиппинг;
  • ошибки ASR-распознавания;
  • отклонения в произношении терминов;
  • поведение при переносе между chunks.

Для генеративных голосов нельзя использовать побайтовое сравнение WAV как основной критерий. Подходящие метрики — длительность, огибающая пауз, clipping и ASR-детектор. Финальную прослушку проводят в штатном моно-миксе и на бытовых устройствах. При выборе устройства для прослушивания помогает разбор кодеков и автономности беспроводных наушников. Bluetooth-кодек меняет спектральное восприятие, поэтому параметры просодии проверяют также через измеримые метрики.

Автоматизация фиксирует регрессии XML, длительности и пауз. Темп, высота тона и естественность фразы остаются в зоне ручного контроля. Каждое изменение SSML-профиля проходит полный corpus regression.

Итог

Для управления интонацией через SSML в TTS API наиболее предсказуемы Azure AI Speech, Amazon Polly и Google Cloud TTS. Azure даёт richest control для диалогов и стилей. Polly удобен расширенным набором тегов, эффектов и пакетной озвучкой. Google покрывает базовые задачи без сложной адаптации.

ElevenLabs подходит, когда SSML используется частично, а приоритет у разговорной подачи и словарей произношения. OpenAI Speech выбирают для текстового сценария без требований к разметке.

Годный production-вариант требует зафиксированного voice, явного профиля тегов, безопасного renderer, fallback-политики и регрессионного корпуса. Только такой набор даёт воспроизводимое управление интонацией.