SSML 是什么？给合成语音写「台词注解」

用 AI 朗读一段文稿，十有八九会遇到这类别扭：该停顿的地方一滑而过，「重庆」读成了「重轻」，数字与单位连成一串含糊带过。文字本身只有内容，没有「怎么念」的信息，合成模型只能按概率猜。SSML 就是补上这层信息的标准格式——全称语音合成标记语言，把停顿、语速、重音、读法这些「台词注解」直接写进文本，让合成器照着演。它相当于给配音演员递一份带导演批注的台本。这篇讲清为什么需要它、常用标记各管什么、它在合成流水线的哪一层生效，以及用到什么程度合适；文字进合成器之前整体怎么被加工，文本前端一篇讲过，SSML 正是这条前端的延伸。

光有文字不够：合成前的歧义地带

同一段文字，念法可以差很远。歧义分几类。一类是念不准：多音字「行」在银行和行走里读音不同，英文缩写「App」该念字母还是整词，日期「2026-10-29」该念成口语还是逐字。一类是念不匀：句子里哪里该停、停多久，语速该快该慢，重音落在哪个词上，文字本身不携带这些信息，模型按统计习惯给一个平均值，遇到特殊语境就失手。还有一类是念不出意图：同样一句「好」，疑问、感叹、敷衍，声调走向完全不同。现在的模型对常见语境的猜读已经不错，日常朗读问题不大；但有声书、新闻播报、课程讲解这类对节奏与准确度有要求的场景，靠猜不够，得把注解明确写出来——SSML 解决的就是这个「从猜到指定」的问题。

常用标记：停顿、语速与重音

SSML 用类似 HTML 的标签包裹文本，常用的几样各管一件事。停顿标记 最常用：在段落间插三百毫秒、在列举项之间插一百五十毫秒，停顿的长短直接决定听众的消化节奏，这是手动改标点做不到的精度。语速标记 控制整段或整句的语速、音量与音高：关键词放慢加重的强调句、快进的过场段，都能逐句指定。重音则标在词一级，告诉模型这个词要「顶」出来——「不是三万，是三万零一百」，数字差异靠重音才传得到耳朵里。此外还有控制拼读的标记，指定某段按字母逐个念、某段按数字整体念，验证码、编号、型号这类内容靠它救场。这些标记合起来，等于把口头沟通里语气、节奏、强调的功夫，落成了一段可复用的文字。

读法怎么标：多音字与专有名词

念不准的问题由读法类标记兜底。多音字可以用拼音标记直接指定读音，专有名词、人名、生僻字都能这样锚死。更成体系的是自定义词典：把品牌名、内部术语、固定简称的读法登记成表，一次配置全局生效，不必每篇文稿都标——这比在文本里逐处插标记更省事，也是企业批量配音的常规做法。数字与单位的读法同理：温度、金额、版本号各有念法惯例，标记或词典都能指定。要说清的是边界：这些手段保证「念对」，不保证「念得有感情」——情绪与语气是另一层问题，靠风格参数与情绪合成去解决，标记语言管的是节奏与读音这两层底盘。

标记在哪一层生效

SSML 不是玄学，它在合成流水线里有明确的位置。文字送入合成器后先过文本前端——分词、正则化、转音素，SSML 标记在这一层被解析成指令：停顿标记变成静音时长，拼音标记锁定音素序列，语速参数传给后续的声学与波形环节。所以同一个 SSML 在不同产品上效果未必一致：大家遵循的是同一套标签语法，但解析与执行的粗细各不相同，长停顿、多音字这类指令普遍支持得稳，重音与情感类的细颗粒支持就参差。整条合成链路的三段工序见语音合成三阶段一篇，SSML 的作用点在第一段。标记也与长文本配音配合紧密：几万字的有声书脚本靠章节级停顿与语速模板保持全篇节奏一致，长文本合成的整体做法见长文本合成一篇；多角色对话里给不同角色挂不同音色与语速，则与多角色配音一篇的机制衔接。

用到什么程度合适

SSML 有个常见的使用误区：标记越密越好，恨不得每句都标。实际恰相反，标记是「例外处理」——默认念法已经不错的地方不标，只标模型容易失手的点：关键数字、专有名词、必须停顿的边界、需要强调的词。标记过密还有副作用：维护成本高，改一版文稿标记全要跟着改；写错标签可能让整段合成直接报错。顺手的做法是分层：全局的读法问题走自定义词典，段落级的节奏走模板，句内的强调才逐处插标。检验方式也简单——把标好的版本和裸文本版本各合成一遍对照听，改善明显就留，没差别就删。上手体验可以让豆包的语音合成接口试插一组停顿与多音字标记对比效果，原理疑问丢给 DeepSeek 或 Kimi 展开成逐标签的示例清单，半小时就能摸清自家常用产品的支持程度。

SSML 速查

• SSML 把停顿、语速、重音、读法写进文本，合成器照注解执行
• 常用四类：break 控停顿、prosody 控语速音高、重音标词级、拼读标记救编号
• 多音字与专名用拼音标记，批量场景配自定义词典一次生效
• 生效位置在文本前端：标记被解析成指令传给后续合成环节
• 标记是例外处理，只标易错处，越密越难维护

再多说几句SSML

• 现在的大模型语音还需要 SSML 吗？：多数日常场景不太需要了，模型对自然停顿与常见读法的猜读已经过关。但确定性要求高的场景仍离不开：数字金额必须念准、固定停顿时长、批量生产的节奏一致性，指定比猜可靠。
• SSML 各家产品通用吗？：核心标签（break、prosody、拼音）大体通用，细节支持差异不小，同一份标记换产品可能要调。重要项目先小段试合成再铺开，别拿默认假设直接上量。
• 写了标记合成却报错，常见原因是什么？：多半是标签没闭合、属性格式不对，或者用了该产品不支持的高级标签。先用最小片段定位——只留一个 break 标记试一次，逐步加回，出错的那条很快能筛出来。