SSML

SSML steht für Speech Synthesis Markup Language. Es ist eine Auszeichnungssprache, mit der du in einem Text festlegst, wie eine synthetische Stimme ihn vorlesen soll. Du fügst Befehle in spitzen Klammern ein, ähnlich wie bei HTML, und steuerst damit Pausen, Betonung, Tempo, Tonhöhe und Aussprache. Der Standard stammt vom W3C, die aktuelle Fassung ist SSML 1.1 vom September 2010.

Wie sieht SSML aus?

Ein einfaches Beispiel:

<speak>
  Willkommen. <break time="500ms"/>
  Heute geht es um <emphasis>drei</emphasis> Funktionen.
  <prosody rate="slow">Bitte genau zuhören.</prosody>
</speak>

Der Standard definiert unter anderem break für Pausen, emphasis für Betonung, prosody für Tempo, Tonhöhe und Lautstärke, say-as für Zahlen, Daten und Abkürzungen, phoneme für eine Aussprache in Lautschrift und sub, um ein Wort durch eine andere Lesart zu ersetzen, etwa eine Abkürzung durch das ausgeschriebene Wort.

Wofür nutzt du SSML bei KI-Videos?

Text-to-Speech betont nicht immer richtig. Mit SSML korrigierst du gezielt, was die Stimme falsch macht: zu kurze Pausen zwischen Abschnitten, englisch gelesene Fachbegriffe, Jahreszahlen, die wie gewöhnliche Zahlen gelesen werden. Das ist vor allem nützlich, wenn du Voice-overs über eine API erzeugst oder viele ähnliche Videos automatisiert vertonst, etwa für Schulungen oder personalisierte Videos.

Worauf du achten solltest

Anbieter unterstützen SSML unterschiedlich. Manche verarbeiten alle Befehle, andere nur Pausen und Aussprache, und neuere KI-Stimmen ignorieren einzelne Tags oder setzen sie anders um. Teste deshalb jeden Befehl mit der Stimme, die du wirklich nutzt. Achte auf gültige Syntax: Ein fehlendes Schluss-Tag kann dazu führen, dass der Text gar nicht oder mit vorgelesenen Klammern ausgegeben wird.