Sintesi vocale con SSML

Legge le parole da pronunciare dentro alla marcatura e le sintetizza in un audio dalla voce naturale, così un flusso che usa già l'SSML può puntare qui senza prima togliere i tag per tornare al testo semplice. Meglio essere chiari sul limite fin da subito: questo motore pronuncia le parole, non i controlli acustici fini che l'SSML può descrivere.

Che cos'è l'SSML e perché esiste

Speech Synthesis Markup Language è uno standard del W3C nato perché chi scrive descriva come il motore di voce deve dire qualcosa, non solo cosa dire: dove mettere una pausa, quale sillaba accentare, come pronunciare una sigla, se una sequenza di cifre è una data, un numero di telefono o una semplice quantità. Da anni è la convenzione del settore per controllare il parlato sintetizzato, proprio perché il testo semplice è davvero ambiguo — «2/3» può essere una data, una frazione o un punteggio, e solo la marcatura lo risolve in astratto. È questo il formato che l'endpoint accetta in ingresso; cosa ne fa di ogni tag è spiegato con chiarezza nella sezione seguente.

Come funzionano la richiesta e la risposta

Invii il testo con i tag SSML (o il testo semplice) nel corpo della richiesta. Il servizio estrae dalla marcatura le parole da pronunciare e le sintetizza; i tag stessi vengono ridotti al loro testo prima della sintesi. Il compito viene messo in coda in modo asincrono e restituisce subito un task_id; l'audio pronto arriva dopo tramite un webhook firmato o un link firmato valido per 24 ore. Poiché a essere sintetizzate sono le parole, inviare l'SSML o inviare il testo semplice equivalente produce la stessa narrazione naturale: la marcatura è accettata per compatibilità, non perché ogni tag cambi il suono.

Cosa rende questo motore e cosa non rende

Questo è il limite onesto, detto perché niente in questa pagina prometta troppo. Il motore di voce attuale legge il contenuto testuale e produce un parlato naturale e ben ritmato. Non applica in modo acustico i controlli fini dell'SSML: enfasi, pronuncia fonetica, prosodia e durate esatte delle pause vengono accettate in ingresso e poi tolte, non rese. Così un tag di pausa da due secondi non tiene ferma la linea per due secondi, e un tag di enfasi non accenta quella parola più di quanto farebbe il modello da solo. Se il tuo uso dipende dal fatto che questi controlli siano resi con precisione, quella capacità non è ancora disponibile su questo motore: l'endpoint esiste perché un flusso con SSML generi audio oggi senza un ramo separato di testo semplice.

Come inserirlo in contenuti automatizzati

L'SSML è solo testo strutturato, quindi è facile generarlo in modo programmatico — un flusso di contenuti può avvolgere i numeri nei tag, inserire pause tra le sezioni o marcare un nome con un suggerimento fonetico, tutto senza intervento umano. Il valore di questo endpoint per quel pubblico è che accetta così com'è l'SSML che già emettono: non devono costruire e mantenere una seconda via di codice che riduca la marcatura a testo semplice prima di inviarla. Il prezzo riflette la natura leggera e mirata del compito — una piccola base per richiesta più una tariffa ogni 1000 caratteri del testo inviato, e i compiti falliti non vengono mai addebitati dopo i tentativi automatici.

Accesso e gestione dei risultati

Questo endpoint richiede un saldo prepagato come tutti gli altri dell'API; una richiesta senza saldo restituisce HTTP 402 invece di un risultato parziale o degradato. Il testo inviato e l'audio generato vengono eliminati alla fine del periodo di conservazione e non vengono mai usati per addestrare modelli — la consegna avviene esclusivamente tramite il tuo webhook o un link firmato temporaneo, e nulla resta oltre quella finestra.