SSML（语音合成标记语言）
SSML（Speech Synthesis Markup Language，语音合成标记语言）是最早且最成熟的语音控制标记语言，基于XML格式，提供丰富的控制标签。作为W3C推荐标准，SSML已成为事实上的行业基础，被多个主流厂商支持，包括火山引擎豆包语音、Google Cloud TTS、Azure TTS等。
主要功能标签
- 韵律控制：
prosody标签调节语速、语调、音量 - 停顿控制：
break标签指定停顿强度或时长 - 发音指定：
phoneme标签通过拼音或国际音标准确指定发音 - 特殊读法：
say-as标签控制数字、时间、电话号码等特定内容的读法 - 文本替换：
sub标签替换内嵌文本 - 古诗风格：
say-as标签支持古诗词的特殊韵律合成
标准化地位
SSML的优势在于标准化程度高，被多个主流厂商支持。然而，新兴AI原生TTS系统（如OpenAI、Google、NVIDIA、Mistral）各自探索了不同的控制范式，SSML未能完全覆盖这些新需求。SSML是否有计划更新以适应AI原生TTS的需求，是决定其能否继续作为行业标准的关键问题。
相关实体
- [[audio-tags]] — Google Gemini 3.1 Flash TTS引入的结构化标签系统，与SSML形成竞争与互补
- [[gemini-3-1-flash-tts]] — Google的TTS模型，采用Audio Tags方案
- [[openai-tts]] — OpenAI的TTS系统，采用自然语言指令式控制
- [[语音AI标准化]] — 标准化进展的总览页面