Was ist SSML?
SSML steht für Speech Synthesis Markup Language. Das ist eine Auszeichnungssprache auf Basis von XML, ähnlich wie HTML. Du schreibst sie in den Text, den eine Text-to-Speech-Engine vorlesen soll.
HTML sagt dem Browser, wie etwas aussieht. SSML sagt der Stimme, wie etwas klingt. Wo kommt eine Pause hin? Welches Wort wird betont? Liest die Stimme „24.12.“ als Datum oder als Zahlenfolge?
Herausgeber ist das W3C, das Gremium für Webstandards. Die erste Fassung ist seit September 2004 offizielle Empfehlung, die aktuelle Version 1.1 seit September 2010. Die Idee dahinter: Derselbe Text soll auf verschiedenen Systemen ähnlich klingen.
Die wichtigsten Tags
Ein SSML-Text steckt immer in einem „speak“-Element. Darin setzt du die Anweisungen um die Wörter, die anders klingen sollen. Diese Tags brauchst du im Marketing-Alltag am häufigsten:
Tag
Was er tut
break
Pause, z. B. 500 Millisekunden
emphasis
Wort betonen
prosody
Tempo, Tonhöhe, Lautstärke
say-as
Datum, Zahl, Telefonnummer
sub
Ersatzwort vorlesen
phoneme
Aussprache in Lautschrift
Ein Beispiel: Mit „sub“ liest die Stimme statt der Abkürzung „SEO“ das Wort „Suchmaschinenoptimierung“ vor. Mit „prosody“ und dem Wert 90 Prozent spricht sie einen Satz etwas langsamer. Für Namen, die keine Stimme richtig trifft, gibt es „phoneme“ mit Lautschrift nach dem Internationalen Phonetischen Alphabet.
Was die großen Anbieter können
Hier wird es kleinteilig. Jeder Anbieter hat eigene Grenzen, und die ändern sich mit jeder neuen Stimme. Ein Überblick, Stand November 2026:
- Google Cloud Text-to-Speech: höchstens 5.000 Bytes je Anfrage, SSML zählt mit. Die neuen Chirp-3-HD-Stimmen können nur eine Auswahl von Tags und ignorieren den Rest still.
- Amazon Polly: SSML-Tags werden nicht als Zeichen abgerechnet. Eine Pause darf höchstens 10 Sekunden lang sein. Neural- und Generative-Stimmen kennen kein „emphasis“.
- Microsoft Azure Speech: Pausen bis 20 Sekunden, dazu eigene Sprechstile. Bei den HD-Stimmen fallen Tags wie „prosody“ und „emphasis“ weg.
- ElevenLabs: Pausen bis 3 Sekunden. Die neuesten Modelle v3 und v4 kennen keine SSML-Pausen mehr.
Der Trend ist klar: Neue generative Stimmen setzen weniger auf SSML. Gesteuert wird dort mit Klammer-Tags wie „[whispering]“ oder mit Anweisungen in normaler Sprache. Das ist kein Standard, sondern bei jedem Anbieter anders.
Häufige Fehler
Fehler 1 · Glauben, SSML klingt überall gleich
Ein Skript, das bei Google sauber läuft, kann bei Amazon Polly abbrechen. Polly meldet bei vielen Stimmen einen Fehler, wenn ein Tag nicht unterstützt wird. Google ignoriert ihn bei Chirp 3 HD einfach. Nach jedem Stimmwechsel also: anhören, nicht nur abschicken.
Fehler 2 · Sonderzeichen nicht maskieren
SSML ist XML. Ein „&“ im Firmennamen oder ein Kleiner-Zeichen im Text bricht die ganze Anfrage. Diese Zeichen müssen maskiert werden, so schreiben es Google und Microsoft vor. Attributwerte gehören immer in Anführungszeichen.
Fehler 3 · Pausen streuen wie Salz
Mehr Pausen machen den Text nicht natürlicher. ElevenLabs warnt sogar: Zu viele Pausen in einer Ausgabe machen die Stimme instabil, sie wird schneller oder bekommt Störgeräusche. Setz Pausen nur dort, wo ein Mensch Luft holen würde.
Fehler 4 · Bei neuen Stimmen auf SSML pochen
Wer bei ElevenLabs v3 oder den Azure-HD-Stimmen alles per SSML steuern will, wundert sich, dass nichts passiert. Dort sind Satzzeichen, Klammer-Tags und gute Formulierungen das Werkzeug.
So setzt du SSML sinnvoll ein
- Erst den Text, dann das Markup: Kurze Sätze und klare Satzzeichen lösen die meisten Probleme, bevor du ein einziges Tag brauchst.
- Aussprache-Liste anlegen: Markennamen, Produktnamen und Fachwörter einmal sauber per „sub“ oder „phoneme“ festlegen und wiederverwenden.
- Visuell testen: Microsofts Speech Studio hat mit „Audio Content Creation“ einen Editor, in dem du SSML zusammenklickst und sofort hörst.
- Anbieter festlegen: Entscheide dich für eine Stimme und schreib dein SSML für deren Tag-Liste, nicht für den ganzen Standard.
Häufige Fragen
Was ist SSML einfach erklärt?
SSML ist eine Art Regieanweisung für Computerstimmen. Du schreibst kleine Befehle in den Text, und die Text-to-Speech-Stimme macht an der Stelle eine Pause, betont ein Wort oder spricht es anders aus.
Wie füge ich bei Text-to-Speech eine Pause ein?
Mit dem Tag „break“ und einer Zeitangabe, etwa 500 Millisekunden. Die Höchstwerte unterscheiden sich: Amazon Polly erlaubt 10 Sekunden, Microsoft Azure 20 Sekunden, ElevenLabs 3 Sekunden.
Unterstützt ElevenLabs SSML?
Teilweise. Ältere Modelle kennen Pausen und zum Teil Lautschrift. Die Modelle v3 und v4 unterstützen keine SSML-Pausen, dort steuerst du mit Audio-Tags in eckigen Klammern und mit Satzzeichen.
Kosten SSML-Tags extra?
Das hängt vom Anbieter ab. Bei Amazon Polly zählen Tags nicht als abgerechnete Zeichen. Bei Google zählt SSML zum Zeichenlimit. Bei Microsoft ist das Grundgerüst frei, einzelne Elemente werden mitgezählt.
Warum ignoriert meine Stimme die SSML-Tags?
Wahrscheinlich kennt die Stimme diese Tags nicht. Viele neue KI-Stimmen unterstützen nur einen Teil von SSML und übergehen den Rest. Schau in der Doku des Anbieters nach, welche Tags deine Stimme kann.