Aller au contenu
Cercle IA · Voix Un site du réseau Cercle IA

Définition

SSML : définition, balises et exemple de code

SSML est un langage XML qui règle pauses, débit, prononciation et voix. Définition, éléments principaux et exemple, d'après le W3C et Microsoft.

Mis à jour le

SSML, pour Speech Synthesis Markup Language, est un langage de balisage fondé sur XML. On écrit un texte, on entoure les parties à régler de balises, et le moteur de synthèse vocale en tient compte à la lecture. Le langage est décrit par le W3C, qui publie la recommandation SSML 1.1 datée du 07/09/2010. Les services de synthèse ne l'appliquent pas tous à la lettre : Microsoft indique que son implémentation repose sur la version 1.0 du langage et que certaines balises lui sont propres.

Ce que SSML permet

  • Les pauses : l'élément break ajoute un silence, avec l'attribut strength (x-weak, weak, medium, strong, x-strong) ou l'attribut time, par exemple 500ms.
  • Le débit, la hauteur et le volume : l'élément prosody accepte les attributs rate, pitch et volume. La documentation Microsoft ajoute contour et range.
  • La prononciation : say-as précise le type d'un texte, comme un nombre ou une date. phoneme donne une prononciation par son attribut ph. sub remplace un texte affiché par un autre texte lu, grâce à l'attribut alias.
  • La structure : p marque un paragraphe, s une phrase.
  • La voix : l'élément voice, avec son attribut name, change de voix à l'intérieur d'un même document.
  • Les repères dans Azure : bookmark, avec l'attribut mark, marque un emplacement sans être lu. Une application peut s'en servir pour synchroniser de l'affichage.

Structure minimale

Un document SSML commence par l'élément racine speak. Selon le W3C, les attributs version (valant 1.1 pour cette recommandation) et xml:lang sont requis. La déclaration d’espace de noms xmlns appartient aussi au cadre XML/SSML ; l’exemple Azure utilise la version 1.0.

Les pièges à connaître

  • Les caractères spéciaux doivent être écrits sous forme d'entités : & pour l'esperluette, < pour le signe inférieur. Microsoft donne l'exemple de « green & yellow ».
  • Les valeurs d'attributs doivent être entre guillemets. volume="90" est valide ; volume=90 ne sera pas reconnu.
  • Toutes les voix ne suivent pas les mêmes règles. Les voix HD, les voix personnelles et les voix intégrées ne prennent pas en charge toutes les balises.
  • Les noms et valeurs changent d'un service à l'autre. La norme sert de base commune, mais chaque éditeur ajoute ou restreint des éléments. Vérifiez la documentation du service utilisé.

Distinguer syntaxe et effet sonore

Un document bien formé peut contenir une balise que le moteur ne sait pas traiter. Et une synthèse acceptée peut donner une pause ou une intonation différente de celle attendue. Vérifiez donc successivement le XML, la prise en charge de la voix et l'écoute du résultat. Dans la norme, les repères utilisent mark ; l'exemple de bookmark présenté ici est propre à Azure.

Relier chaque balise à une intention de lecture

Dans un fragment fictif, annotez l’effet recherché pour chaque balise : laisser le temps de comprendre un numéro, développer un sigle ou séparer deux consignes. Confiez le texte à une autre personne en cachant votre commentaire, puis comparez son interprétation. Si elle ne sait pas pourquoi une pause existe, documentez-la. Cette note permettrait de refaire le réglage sur un autre moteur sans recopier aveuglément le balisage.

Un développement d’une chaîne audio documentée peut aider à structurer ce travail.

Pour préparer un échange au cercle, apportez un texte fictif et les points à faire examiner, sans enregistrement personnel.

Exemple de code

L'exemple ci-dessous est une structure de départ. Le nom de voix fr-FR-DeniseNeural figure dans la liste des voix françaises de Microsoft Azure lue le 16/11/2026. Le résultat à l'écoute reste à tester sur la voix choisie.

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="fr-FR">
  <voice name="fr-FR-DeniseNeural">
    Bonjour. <break time="500ms" /> Votre commande est prête.
  </voice>
</speak>

Dans cet exemple, la pause de 500 ms est placée entre les deux phrases. Sans la balise, le service insère sa propre pause, selon la documentation Microsoft.

Quand s'en servir

SSML est utile pour corriger une prononciation précise, imposer une pause après un titre, ou alterner deux voix dans une même séquence. Pour une voix off simple, le texte brut, bien ponctué, suffit souvent. Le détail de la méthode est dans Voix off IA en français.

Questions fréquentes

SSML est-il nécessaire pour une voix off ?

Non. Le texte brut suffit souvent. SSML sert à corriger une prononciation ou un rythme précis, et le test à l'écoute reste la référence.

Toutes les voix acceptent-elles SSML ?

Non. La page Microsoft indique que les voix neuronales HD, les voix personnelles et les voix intégrées ne prennent pas en charge toutes les balises.

Sources

Pages consultées pour écrire cet article :

  1. https://iarche.fr/services/developpement
  2. https://www.w3.org/TR/speech-synthesis11/
  3. https://learn.microsoft.com/fr-fr/azure/ai-services/speech-service/speech-synthesis-markup-structure
  4. https://learn.microsoft.com/fr-fr/azure/ai-services/speech-service/speech-synthesis-markup-voice

À lire aussi