Narração com SSML

Ele lê as palavras faladas de dentro da marcação e as sintetiza em áudio com voz natural, então um fluxo que já usa SSML pode apontar para cá sem antes remover as tags para deixar texto puro. Vale deixar o limite claro desde o começo: este motor pronuncia as palavras, não os controles acústicos finos que o SSML consegue descrever.

O que é SSML e por que ele existe

Speech Synthesis Markup Language é um padrão do W3C criado para que quem escreve descreva como o motor de voz deve dizer algo, não só o que dizer: onde pausar, qual sílaba acentuar, como pronunciar uma sigla, se uma sequência de dígitos é uma data, um telefone ou uma quantidade simples. Há anos é a convenção da indústria para controlar a fala sintetizada, justamente porque o texto puro é de fato ambíguo — “2/3” pode ser uma data, uma fração ou um placar, e só a marcação resolve isso no abstrato. É esse o formato que este endpoint aceita na entrada; o que ele faz com cada tag está descrito com clareza na seção seguinte.

Como funcionam a requisição e a resposta

Você envia o texto com marcação SSML (ou texto puro) no corpo da requisição. O serviço extrai as palavras faladas da marcação e as sintetiza; as próprias tags são reduzidas ao seu texto antes da síntese. A tarefa é enfileirada de forma assíncrona e devolve um task_id na hora; o áudio pronto é entregue depois por um webhook assinado ou por um link assinado válido por 24 horas. Como o que é sintetizado são as palavras, enviar SSML e enviar o texto puro equivalente produz a mesma narração natural — a marcação é aceita por compatibilidade, não porque cada tag mude o som.

O que este motor representa e o que não representa

Este é o limite honesto, dito para que nada nesta página prometa demais. O motor de voz atual lê o conteúdo de texto e produz uma fala natural e bem cadenciada. Ele não aplica de forma acústica os controles finos do SSML: ênfase, pronúncia fonética, prosódia e durações exatas de pausa são aceitas na entrada e depois removidas, não representadas. Assim, uma tag de pausa de dois segundos não segura a locução por dois segundos, e uma tag de ênfase não acentua aquela palavra mais do que o modelo já faria sozinho. Se o seu uso depende de esses controles serem representados com precisão, essa capacidade ainda não está disponível neste motor — este endpoint existe para que um pipeline com SSML gere áudio hoje sem um ramo separado de texto puro.

Como encaixar em conteúdo automatizado

SSML é apenas texto estruturado, então é fácil gerá-lo de forma programática — um pipeline de conteúdo pode envolver números em tags, inserir pausas entre seções ou marcar um nome com uma dica fonética, tudo sem intervenção humana. O valor deste endpoint para esse público é que ele aceita como está o SSML que eles já emitem: não precisam construir e manter um segundo caminho de código que reduza a marcação a texto puro antes de enviar. O preço reflete a natureza leve e específica da tarefa — uma pequena base por requisição mais uma tarifa por 1000 caracteres do texto enviado, e tarefas que falham nunca são cobradas depois das novas tentativas automáticas.

Acesso e como os resultados são tratados

Este endpoint exige saldo pré-pago, como todos os outros da API; uma requisição sem saldo devolve HTTP 402 em vez de um resultado parcial ou degradado. O texto enviado e o áudio gerado são removidos ao fim do período de retenção e nunca são usados para treinar modelos — a entrega é estritamente pelo seu webhook ou por um link assinado temporário, e nada é guardado além dessa janela.