Synthèse vocale SSML

Il extrait les mots à prononcer du balisage et les synthétise en un audio à la voix naturelle, si bien qu’un flux SSML existant peut pointer ici sans d’abord retirer les balises pour revenir au texte brut. Soyons clairs sur la limite dès le départ : ce moteur prononce les mots, pas les réglages acoustiques fins que le SSML sait décrire.

Ce qu’est le SSML et pourquoi il existe

Le Speech Synthesis Markup Language est une norme du W3C conçue pour qu’un rédacteur décrive comment un moteur de voix doit dire quelque chose, et pas seulement quoi dire : où marquer une pause, quelle syllabe accentuer, comment prononcer un sigle, si une suite de chiffres est une date, un numéro de téléphone ou une simple quantité. C’est depuis des années la convention du secteur pour piloter la parole synthétisée, précisément parce que le texte brut est réellement ambigu — « 2/3 » peut être une date, une fraction ou un score, et seul le balisage tranche cela dans l’abstrait. C’est ce format que ce point d’accès accepte en entrée ; ce qu’il fait de chaque balise est décrit clairement dans la section suivante.

Comment fonctionnent la requête et la réponse

Vous envoyez du texte balisé en SSML (ou du texte brut) dans le corps de la requête. Le service extrait les mots à prononcer du balisage et les synthétise ; les balises elles-mêmes sont réduites à leur texte avant la synthèse. La tâche est mise en file de façon asynchrone et renvoie aussitôt un task_id ; l’audio produit est livré ensuite via un webhook signé ou un lien signé valable 24 heures. Comme ce sont les mots qui sont synthétisés, envoyer du SSML ou envoyer le texte brut équivalent produit la même narration naturelle — le balisage est accepté par compatibilité, non parce que chaque balise modifie le son.

Ce que ce moteur restitue et ce qu’il ne restitue pas

Voici la limite honnête, énoncée pour que rien sur cette page ne survende l’outil. Le moteur de voix actuel lit le contenu textuel et produit une parole naturelle et bien rythmée. Il n’applique pas de façon acoustique les réglages fins du SSML : l’emphase, la prononciation phonétique, la prosodie et les durées de pause exactes sont acceptées en entrée puis retirées, non restituées. Ainsi, une balise de pause de deux secondes ne retient pas la ligne pendant deux secondes, et une balise d’emphase n’accentue pas ce mot plus que le modèle ne le ferait de lui-même. Si votre usage dépend de la restitution précise de ces réglages, cette capacité n’est pas encore disponible sur ce moteur — ce point d’accès existe pour qu’un pipeline SSML produise de l’audio dès aujourd’hui sans branche de texte brut séparée.

L’intégrer à des contenus automatisés

Le SSML n’est que du texte structuré, donc facile à générer par programme — un pipeline de contenu peut envelopper des nombres dans des balises, insérer des pauses entre les sections ou annoter un nom d’un indice phonétique, sans intervention humaine. L’intérêt de ce point d’accès pour ce public est qu’il accepte tel quel le SSML qu’ils émettent déjà : pas besoin de construire et d’entretenir un second chemin de code qui réduit leur balisage à du texte brut avant l’envoi. Le tarif reflète la nature légère et ciblée de la tâche — une petite base par requête plus un tarif aux mille caractères du texte envoyé, les tâches en échec n’étant jamais facturées après les nouvelles tentatives automatiques.

Accès et traitement des résultats

Ce point d’accès exige un solde prépayé comme tous les autres de l’API ; une requête sans solde renvoie HTTP 402 plutôt qu’un résultat partiel ou dégradé. Le texte envoyé et l’audio généré sont supprimés à la fin de la période de conservation et ne servent jamais à entraîner des modèles — la livraison passe strictement par votre webhook ou un lien signé temporaire, et rien n’est conservé au-delà de cette fenêtre.