Sprachausgabe mit SSML steuern

Er liest die gesprochenen Wörter aus dem Markup heraus und synthetisiert sie zu natürlich klingendem Audio, sodass ein bestehender SSML-Arbeitsablauf hierher zeigen kann, ohne die Tags zuvor auf reinen Text zurückzunehmen. Seien wir von Anfang an klar bei der Grenze: Dieses System spricht die Wörter, nicht die feinen akustischen Steuerungen, die SSML beschreiben kann.

Was SSML ist und warum es existiert

Speech Synthesis Markup Language ist ein W3C-Standard, damit ein Autor beschreiben kann, wie ein Sprachsystem etwas sagen soll, nicht nur was: wo eine Pause sitzt, welche Silbe betont wird, wie eine Abkürzung ausgesprochen wird, ob eine Ziffernfolge ein Datum, eine Telefonnummer oder eine schlichte Menge ist. Seit Jahren ist es die Branchenkonvention zur Steuerung synthetischer Sprache, gerade weil reiner Text wirklich mehrdeutig ist – „2/3“ kann ein Datum, ein Bruch oder ein Spielstand sein, und nur das Markup löst das im Abstrakten auf. Genau dieses Format nimmt der Endpunkt als Eingabe an; was er mit jedem Tag macht, steht klar im nächsten Abschnitt.

Wie Anfrage und Antwort ablaufen

Sie senden mit SSML ausgezeichneten Text (oder reinen Text) im Anfragetext. Der Dienst löst die gesprochenen Wörter aus dem Markup heraus und synthetisiert sie; die Tags selbst werden vor der Synthese auf ihren Text reduziert. Die Aufgabe wird asynchron in die Warteschlange gestellt und liefert sofort eine task_id zurück; das fertige Audio wird danach über einen signierten Webhook oder einen signierten, 24 Stunden gültigen Link ausgeliefert. Weil die Wörter das sind, was synthetisiert wird, ergeben SSML und der gleichwertige reine Text dieselbe natürliche Erzählung – das Markup wird aus Kompatibilität akzeptiert, nicht weil jedes Tag den Klang ändert.

Was dieses System umsetzt und was nicht

Das ist die ehrliche Grenze, damit auf dieser Seite nichts zu viel verspricht. Das aktuelle Sprachsystem liest den Textinhalt und erzeugt eine natürliche, gut getaktete Sprache. Es setzt die feinen SSML-Steuerungen nicht akustisch um: Betonung, phonetische Aussprache, Prosodie und exakte Pausendauern werden in der Eingabe akzeptiert und dann entfernt, nicht umgesetzt. So hält ein Pausen-Tag von zwei Sekunden die Zeile nicht zwei Sekunden lang an, und ein Betonungs-Tag betont dieses Wort nicht stärker, als das Modell es von sich aus täte. Wenn Ihre Nutzung davon abhängt, dass diese Steuerungen präzise umgesetzt werden, ist diese Fähigkeit auf diesem System noch nicht verfügbar – der Endpunkt existiert, damit eine SSML-Pipeline schon heute Audio erzeugt, ohne einen separaten Zweig für reinen Text.

Der Einbau in automatisierte Inhalte

SSML ist nur strukturierter Text und lässt sich daher leicht programmatisch erzeugen – eine Content-Pipeline kann Zahlen in Tags einfassen, Pausen zwischen Abschnitte setzen oder einen Namen mit einem phonetischen Hinweis versehen, alles ohne menschliches Zutun. Der Nutzen dieses Endpunkts für dieses Publikum ist, dass er das SSML, das sie ohnehin ausgeben, unverändert annimmt: Sie müssen keinen zweiten Codepfad bauen und pflegen, der ihr Markup vor dem Senden auf reinen Text reduziert. Der Preis spiegelt die leichte, gezielte Natur der Aufgabe wider – eine kleine Basis pro Anfrage plus ein Satz je 1000 Zeichen des gesendeten Textes, wobei fehlgeschlagene Aufgaben nach den automatischen Wiederholungen nie berechnet werden.

Zugang und Umgang mit den Ergebnissen

Dieser Endpunkt setzt wie jeder andere in der API ein Prepaid-Guthaben voraus; eine Anfrage ohne Guthaben liefert HTTP 402 statt eines teilweisen oder verschlechterten Ergebnisses. Gesendeter Text und erzeugtes Audio werden nach Ablauf der Aufbewahrungsfrist gelöscht und nie zum Trainieren von Modellen verwendet – die Auslieferung erfolgt ausschließlich über Ihren Webhook oder einen temporären signierten Link, und darüber hinaus wird nichts aufbewahrt.