SSML टेक्स्ट-टू-स्पीच: नेचुरल वॉइस कंट्रोल के लिए डेवलपर्स गाइड

ग्लोइंग ऑडियो वेवफॉर्म में परिवर्तित होते हुए लेयर्ड डॉक्यूमेंट पैनल्स के साथ अमूर्त स्पीच-टू-टेक्स्ट विज़ुअलाइज़ेशन।

SSML टेक्स्ट-टू-स्पीच डेवलपर्स को ठहराव, उच्चारण, स्वर-शैली और तारीखों को नियंत्रित करने की सुविधा देता है। वॉयस ऐप्स के लिए मान्य मार्कअप उदाहरण और प्रोडक्शन टेस्टिंग पैटर्न देखें।

SSML टेक्स्ट टू स्पीच डेवलपर्स को इस बात पर स्पष्ट नियंत्रण देता है कि कोई सिंथेसिस इंजन लिखित सामग्री की व्याख्या कैसे करता है। किसी अनटिप्पणीकृत (unannotated) स्ट्रिंग को सबमिट करने और इंजन के डिफ़ॉल्ट आउटपुट को स्वीकार करने के बजाय, कोई एप्लिकेशन ठहराव (pauses), उच्चारण, जोर (emphasis), गति, पिच, वॉल्यूम और सिमेंटिक फ़ॉर्मेटिंग निर्दिष्ट कर सकता है।

यह सामग्री XML के बुनियादी सिद्धांतों से लेकर प्रोडक्शन कार्यान्वयन तक आगे बढ़ती है, और इसका उद्देश्य वॉयस एजेंट्स, IVR फ़्लो, एक्सेसिबिलिटी सॉफ़्टवेयर, नोटिफ़िकेशन, ऑडियोबुक्स और कन्वर्सेशनल AI बनाने वाले इंजीनियर्स के लिए है। इसके अंत तक, आप उपयोगी मार्कअप चुनने, पोर्टेबिलिटी से जुड़ी समस्याओं से बचने और स्पीच को टेक्स्ट रिस्पॉन्स के बजाय एक ऑडियो उत्पाद के रूप में परखने में सक्षम होंगे।

डेवलपमेंट रोडमैप

अनुभाग:

  • SSML के बुनियादी सिद्धांत: क्यों टेक्स्ट में पूर्वानुमेय स्पीच के लिए पर्याप्त जानकारी का अभाव होता है।

  • मुख्य नियंत्रण: ठहराव, उच्चारण, प्रोसोडी (prosody), फ़ॉर्मेटिंग और दस्तावेज़ संरचना।

  • सादे टेक्स्ट (Plain text) से तुलना: मार्कअप अर्थ बदले बिना डिलीवरी को कैसे बदलता है।

  • प्रोडक्शन वर्कफ़्लो: वैलिडेशन, एस्केपिंग, API इंटीग्रेशन और टेस्टिंग।

  • व्यावहारिक अनुप्रयोग: एजेंट्स, IVR, एक्सेसिबिलिटी और नरेशन के लिए पैटर्न्स।

  • डेवलपर FAQ: कम्पैटिबिलिटी, फ़ोनिम्स (phonemes), प्रोसोडी और इंजन सपोर्ट।

  • मुख्य निष्कर्ष: एक संक्षिप्त कार्यान्वयन चेकलिस्ट।

SSML के बुनियादी सिद्धांत और दस्तावेज़ संरचना

स्पीच सिंथेसिस मार्कअप लैंग्वेज (SSML) स्पीच सिंथेसिस को नियंत्रित करने के लिए W3C द्वारा मानकीकृत एक XML-आधारित भाषा है। SSML 1.1 अनुशंसा उच्चारण, गति (rate), पिच, वॉल्यूम और अन्य रेंडरिंग व्यवहारों के लिए संरचनाओं को परिभाषित करती है।

सादा टेक्स्ट यह कोड नहीं करता है कि "2026" एक वर्ष है या कोई मात्रा, क्या "SQL" को अक्षरों के रूप में बोला जाना चाहिए या एक शब्द के रूप में, या एक लंबे सहायता संदेश को कहाँ रुकना (breathe) चाहिए। विराम चिह्न संकेत प्रदान करते हैं, लेकिन वे संकेत अस्पष्ट और आवाज़ पर निर्भर होते हैं। SSML TTS मशीन-पठनीय इरादा जोड़ता है, जहाँ सादा टेक्स्ट केवल उसका आभास करा सकता है।

एक संपूर्ण दस्तावेज़ आमतौर पर `<speak>` को अपने रूट के रूप में उपयोग करता है और सामग्री को `<p>` और `<s>` के साथ समूहीकृत कर सकता है:

`<speak version="1.1" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">`
` <p>`
` <s>Welcome to the developer portal.</s>`
` <s>Your build is ready.</s>`
` </p>`
`</speak>`

इनपुट पहलू

सादे टेक्स्ट का व्यवहार

SSML नियंत्रण

ठहराव (Pause)

विराम चिह्नों से अनुमान लगाया जाता है

`<break>` समय या तीव्रता निर्दिष्ट करता है

डिलीवरी

आवाज़ का डिफ़ॉल्ट

`<prosody>` गति, पिच या वॉल्यूम को समायोजित करता है

अर्थ

इंजन संदर्भ का अनुमान लगाता है

`<say-as>` तिथियों, संख्याओं और वर्णों की पहचान करता है

उच्चारण

लेक्सिकॉन या मॉडल डिफ़ॉल्ट

`<phoneme>` समर्थित ध्वन्यात्मक अंकन प्रदान करता है

प्राकृतिक स्पीच के लिए मुख्य SSML टैग

ठहराव, वाक्य सीमाएँ और ज़ोर (Emphasis)

जब समय का प्रभाव संवाद के अर्थ पर पड़ता हो, तब `<break>` का उपयोग करें -- उदाहरण के लिए, किसी पुष्टिकरण कोड से पहले, या किसी त्रुटि के बाद। अल्पविराम या बार-बार बिंदु लगाने के बजाय मध्यम ठहराव को प्राथमिकता दें।

`<speak><s>Your verification code is</s><break time="400ms"/><s>8 4 2 1.</s></speak>`

`<emphasis>` केवल ऑडियो को तेज़ करने के बजाय सिमेंटिक महत्व को चिह्नित करता है। समर्थित स्तर और ध्वनिक परिणाम प्रदाता के अनुसार भिन्न होते हैं:

`<speak>Please submit the <emphasis level="strong">signed</emphasis> copy.</speak>`

SSML प्रोसोडी के साथ गति, पिच और वॉल्यूम

`<prosody>` तत्व बोलने की गति, पिच और वॉल्यूम पर SSML वॉयस नियंत्रण प्रदान करता है। समायोजन को संयमित रखें -- अत्यधिक संयोजन स्पष्टता को कम करते हैं और विभिन्न आवाज़ों में असंगत लग सकते हैं।

`<speak><prosody rate="90%" pitch="+2st" volume="medium">Your appointment is confirmed.</prosody></speak>`

संख्याएँ, तिथियाँ, परिवर्णी शब्द (Acronyms), और प्रतिस्थापन

`<say-as>` यह बताता है कि संरचित टेक्स्ट की व्याख्या कैसे की जानी चाहिए। SSML 1.1 तत्व और उसकी विशेषताओं को परिभाषित करता है, लेकिन यह `interpret-as` या `format` मानों की एक सार्वभौमिक सूची को मानकीकृत नहीं करता है। कार्डिनल संख्याएँ, तिथियाँ, समय और अलग-अलग वर्ण जैसी श्रेणियाँ सामान्य प्रदाता परंपराएँ हैं, इसलिए परिनियोजन (deployment) से पहले उन सटीक मानों को सत्यापित करें जिनका आपका सिंथेसिस इंजन समर्थन करता है।

`<speak>`` Your balance is <say-as interpret-as="cardinal">1250</say-as> dollars.`` The date is <say-as interpret-as="date" format="ymd">2026-09-14</say-as>.`` Enter <say-as interpret-as="characters">A7K</say-as>.``</speak>`

ऐसे परिवर्णी शब्दों के लिए जिन्हें शब्दों में विस्तारित किया जाना चाहिए, `<sub>` अक्सर वर्णों की वर्तनी की तुलना में अधिक स्पष्ट होता है:

`<speak>Contact the <sub alias="World Health Organization">WHO</sub>.</speak>`

फ़ोनिम-स्तरीय उच्चारण

एक समर्थित `<phoneme>` तत्व इंजन के डिफ़ॉल्ट उच्चारण को ओवरराइड करता है। वर्णमाला IPA, X-SAMPA या प्रदाता-विशिष्ट विकल्प हो सकती है। परिनियोजन से पहले वर्णमाला और फ़ोनिम इन्वेंट्री दोनों की पुष्टि करें।

`<speak>The symbol is <phoneme alphabet="ipa" ph="ˈdeɪtə">data</phoneme>.</speak>`

चेतावनी: डेवलपर्स अक्सर क्या गलती करते हैं: अधिक मार्कअप अपने आप प्राकृतिक टेक्स्ट टू स्पीच उत्पन्न नहीं करता है। SSML उच्चारण केवल ज्ञात विफलताओं पर लागू करें, और एक सक्षम वॉयस मॉडल को सामान्य वाक्यांशों को संभालने दें।

सादा टेक्स्ट आउटपुट बनाम SSML-नियंत्रित आउटपुट


मार्कअप संदेश की मूल सामग्री को संरक्षित रखते हुए उसकी डिलीवरी को बदलता है।

विचार करें: `Your appointment is on 04/05 at 10:30. Press one to confirm.` एक सादे टेक्स्ट इंजन को तिथि प्रारूप, समय फ़ॉर्मेटिंग, ठहराव का स्थान और सबसे महत्वपूर्ण क्रिया का अनुमान लगाना चाहिए। अलग-अलग लोकेल (locales) एक ही स्ट्रिंग के काफी भिन्न वाचन उत्पन्न कर सकते हैं।

एक टेक्स्ट टू स्पीच SSML संस्करण उन निर्णयों को स्पष्ट करता है:

`<speak>`
` <s>Your appointment is on <say-as interpret-as="date" format="md">04/05</say-as>`
` at <say-as interpret-as="time">10:30</say-as>.</s>`
` <break time="500ms"/>`
` <s><emphasis level="moderate">Press one</emphasis> to confirm.</s>`
`</speak>`

टेक्स्ट स्वाभाविक रूप से अधिक अभिव्यंजक नहीं है। यह सुधार व्याख्या की अस्पष्टता को दूर करने से आता है। आवाज़ की गुणवत्ता और डिलीवरी के व्यापक संदर्भ के लिए, यह मानव-समान AI आवाज़ों के लिए संपूर्ण गाइड देखें।

एक SSML API वर्कफ़्लो को लागू और मान्य (validate) करना

1. संरचित डेटा से मार्कअप का निर्माण करें

अविश्वसनीय मानों को सीधे XML में संयोजित (concatenate) न करें। आरक्षित XML वर्णों को एस्केप करें: `\`&` को `&` के रूप में, `<` को `<` के रूप में, `>` को `>` के रूप में, और विशेषताओं के अंदर उद्धरणों (quotes) को उपयुक्तता के अनुसार `"` या `'` के रूप में। उदाहरण के लिए, `R&D <Labs>` को XML में सम्मिलित करने से पहले `R&D <Labs>` बनना चाहिए।`

सामग्री निर्माण को रेंडरिंग नीति से अलग रखें। एक नोटिफ़िकेशन सेवा को `customerName`, `date`, और `amount` जैसे फ़ील्ड जनरेट करने चाहिए; एक SSML टेम्प्लेट को यह तय करना चाहिए कि उन फ़ील्ड्स को कैसे बोला जाए। यह अलगाव सिंथेसिस परत अनुपलब्ध होने पर प्लेन-टेक्स्ट फ़ॉलबैक का भी समर्थन करता है।

2. सिंटैक्स और प्रदाता समर्थन को मान्य करें

सिंथेसिस से पहले:

  • मानक-अनुपालन वाले XML पार्सर के साथ दस्तावेज़ को पार्स करें।

  • जब प्रदाता अपेक्षा करे, तब एक `<speak>` रूट की आवश्यकता रखें।

  • अनक्लोज़्ड टैग, अमान्य नेस्टिंग, डुप्लिकेट विशेषताओं और अवैध वर्णों को अस्वीकार करें।

  • प्रदाता के वर्तमान आधिकारिक दस्तावेज़ों के अनुसार प्रत्येक टैग और विशेषता की जाँच करें।

  • एप्लिकेशन कोड में इनपुट-आकार, ठहराव-अवधि और नेस्टिंग सीमाओं को लागू करें।

जानकारी: SSML कार्यान्वयन एकसमान नहीं है। Google Cloud, Amazon Polly, Microsoft Azure, IBM और अन्य इंजन विभिन्न सबसेट्स, एक्सटेंशन्स और स्वीकृत मानों का दस्तावेजीकरण करते हैं। किसी एक प्रदाता पर सफल सिंथेसिस को कभी भी पोर्टेबिलिटी परीक्षण न मानें।

3. केवल अनुरोधों का नहीं, ऑडियो का भी परीक्षण करें

एक मान्य प्रतिक्रिया फिर भी सुनने में गलत लग सकती है। नामों, तिथियों, मुद्रा, संक्षिप्त रूपों, मिश्रित-भाषा टेक्स्ट और लंबे वाक्यों के लिए रिग्रेशन क्लिप्स बनाएं। प्रत्येक प्रोडक्शन वॉयस, लोकेल, मॉडल और आउटपुट प्रारूप में सुनें। रीयल-टाइम एजेंट्स के लिए, मापें कि क्या वास्तविक नेटवर्क स्थितियों के तहत ठहराव टर्न-टेकिंग को बाधित करते हैं।

गतिशील प्रणालियों के लिए, स्थिर संकेतों को कैश करें और स्रोत टेक्स्ट, सामान्यीकृत टेक्स्ट, SSML टेम्प्लेट संस्करण, वॉयस पहचानकर्ता और सिंथेसिस त्रुटियों को लॉग करें। Smallest.ai के Waves API या किसी अन्य स्पीच API का मूल्यांकन करने वाली टीमों को मार्कअप रणनीति तय करने से पहले फ़र्स्ट-पार्टी दस्तावेज़ों में वर्तमान SSML समर्थन की पुष्टि करनी चाहिए। मुफ़्त टेक्स्ट-टू-स्पीच API गाइड व्यापक कार्यान्वयन संदर्भ प्रदान करती है।

प्रोडक्शन उपयोग के मामले और उन्नत उच्चारण रणनीति

अनुप्रयोग

उपयोगी नियंत्रण

प्रोडक्शन से जुड़ी चिंता

वॉयस एजेंट्स और IVR

ठहराव, अंकों का वाचन, ज़ोर

लंबे ठहराव को बोलने की बारी (turn) का अंत समझा जा सकता है

एक्सेसिबिलिटी टूल्स

वाक्य संरचना और विस्तार

मार्कअप को अर्थ और स्पष्टता बनाए रखनी चाहिए

ऑडियोबुक्स

अनुच्छेद, गति, उच्चारण

अत्यधिक स्थानीय समायोजन रखरखाव का बोझ (maintenance debt) बढ़ाते हैं

नोटिफ़िकेशन्स

तिथियाँ, मुद्रा, प्रतिस्थापन

उपयोगकर्ता लोकेल व्याख्या निर्धारित करता है

कन्वर्सेशनल AI

गतिशील ठहराव और शब्दावली

अविश्वसनीय जनरेटेड टेक्स्ट को एस्केप करने की आवश्यकता होती है

नामों, उत्पाद पहचानकर्ताओं, चिकित्सा शब्दों और तकनीकी शब्दावली के लिए अक्सर सुसंगत उच्चारण की आवश्यकता होती है। कुछ अपवाद इनलाइन `<phoneme>` मार्कअप के लिए उपयुक्त होते हैं। सैकड़ों आवर्ती शब्द एप्लिकेशन-स्तरीय उच्चारण शब्दकोश या सामान्यीकरण सेवा में रखे जाने चाहिए -- न कि अलग-अलग SSML टेम्प्लेट्स में बिखरे हुए।

इकाइयों के विस्तार, लोकेल-विशिष्ट तिथियों के समाधान, प्रतीकों के रूपांतरण और मॉडल आउटपुट को सैनिटाइज़ करने के लिए प्री-प्रोसेसिंग भी बेहतर होती है। यह SSML टेम्प्लेट्स को पठनीय बनाए रखती है और एक ही भाषाई नियमों को कई आवाज़ों या प्रदाताओं के लिए कार्य करने की अनुमति देती है। यदि सिंथेसिस एक बड़ी पाइपलाइन का हिस्सा है, तो Python में वॉयस AI कैसे बनाएं पर यह ट्यूटोरियल संबंधित एप्लिकेशन आर्किटेक्चर प्रस्तुत करता है।

SSML टेक्स्ट टू स्पीच के लिए मुख्य निष्कर्ष

एक अनुशासित प्रक्रिया के साथ नियंत्रित स्पीच प्रदान करें:

  • SSML का उपयोग वहाँ करें जहाँ टेक्स्ट उच्चारण, समय या सिमेंटिक फ़ॉर्मेटिंग को अस्पष्ट छोड़ देता है।

  • मार्कअप को न्यूनतम रखें और पुन: प्रयोज्य भाषा नियमों को प्री-प्रोसेसिंग या शब्दकोशों में स्थानांतरित करें।

  • गतिशील सामग्री को एस्केप करें और सिंथेसिस से पहले XML को मान्य करें।

  • प्रत्येक प्रदाता, मॉडल, लोकेल और आवाज़ को एक अलग कम्पैटिबिलिटी लक्ष्य मानें।

  • वास्तविक संवाद में रेंडर किए गए ऑडियो का परीक्षण करें, विशेष रूप से टर्न-टेकिंग, नामों, तिथियों और महत्वपूर्ण निर्देशों के लिए।

अच्छी तरह से डिज़ाइन किया गया SSML एक मजबूत सिंथेसिस मॉडल का विकल्प नहीं है। यह सटीक निर्देश प्रदान करता है जहाँ डिफ़ॉल्ट सेटिंग्स कम पड़ जाती हैं, जिससे डेवलपर्स को एप्लिकेशन सामग्री को नाज़ुक मार्कअप के नीचे दबाए बिना टेक्स्ट को प्राकृतिक AI आवाज़ में बदलने में मदद मिलती है।

अक्सर पूछे जाने वाले प्रश्न

क्या SSML हर टेक्स्ट-टू-स्पीच इंजन के साथ काम करता है?

कौन से SSML टैग सबसे अधिक उपयोगी हैं?

क्या SSML हर उच्चारण संबंधी समस्या को ठीक कर सकता है?

एक एप्लिकेशन को कितने SSML प्रोसोडी (prosody) का उपयोग करना चाहिए?

एसएसएमएल (SSML) को टेक्स्ट-टू-स्पीच एपीआई (API) में कैसे भेजा जाता है?

लेख सुनें
2:00
लेख सुनें
2:00

एआई (AI) के साथ सारांशित करें

हमारे साथ अपने संपर्क केंद्रों (कॉन्टैक्ट सेंटर्स) को स्वचालित करें

तेज़ लेटेंसी, मजबूत सुरक्षा और असीमित स्पीच जनरेशन का अनुभव करें।

एआई (AI) के साथ सारांशित करें

हमारे साथ अपने संपर्क केंद्रों (कॉन्टैक्ट सेंटर्स) को स्वचालित करें

तेज़ लेटेंसी, मजबूत सुरक्षा और असीमित स्पीच जनरेशन का अनुभव करें।

वॉयस एजेंट ऑर्केस्ट्रेशन के भविष्य का निर्माण करें

311 कैलिफ़ोर्निया स्ट्रीट, सुइट 320
सैन फ्रांसिस्को, सीए 94104

वॉयस एजेंट ऑर्केस्ट्रेशन के भविष्य का निर्माण करें

311 कैलिफ़ोर्निया स्ट्रीट, सुइट 320
सैन फ्रांसिस्को, सीए 94104

वॉयस एजेंट ऑर्केस्ट्रेशन के भविष्य का निर्माण करें

311 कैलिफ़ोर्निया स्ट्रीट, सुइट 320
सैन फ्रांसिस्को, सीए 94104