Texto a voz con SSML

Qué es SSML y por qué existe

Speech Synthesis Markup Language es un estándar del W3C creado específicamente para que quien escribe le indique al motor de voz cómo decir algo, no solo qué decir: dónde pausar, qué sílaba acentuar, cómo pronunciar una sigla o un nombre propio, si una cadena de dígitos es una fecha, un teléfono o una cantidad simple. Ha sido la forma estándar de la industria para controlar el habla sintetizada durante años, precisamente porque el texto plano es genuinamente ambiguo: '2/3' puede ser una fecha, una fracción o un marcador, y solo el marcado resuelve eso de forma confiable.

Cómo funcionan la solicitud y la respuesta

Envía texto marcado con etiquetas SSML en el cuerpo de la solicitud en lugar de texto plano, usando etiquetas estándar para pausas, énfasis, pronunciación fonética y prosodia. La tarea se pone en cola de forma asíncrona y devuelve un task_id de inmediato; el audio renderizado, respetando cada pausa y acento que marcó, se entrega después por webhook firmado o por un enlace firmado válido por 24 horas. El marcado mal formado se detecta y se reporta como un error claro en vez de ignorarse en silencio, así sabe de inmediato si una etiqueta necesita corrección.

Dónde importa realmente ese control

El texto a voz plano funciona bien para una notificación; el SSML se justifica cuando lo que está en juego es mayor: un narrador de audiolibro que necesita una pausa dramática, un mensaje farmacéutico que debe pronunciar el nombre de un medicamento exactamente bien, un módulo de e-learning que resalta la palabra que nadie debe pasar por alto, o un anuncio de vuelos donde la ambigüedad no es aceptable. Quien construye voz donde el énfasis equivocado cambia el sentido recurre al marcado.

Cómo encaja en contenido automatizado

Como SSML es simplemente texto estructurado, es fácil generarlo de forma programática: un flujo de contenido puede envolver números en las etiquetas correctas, insertar pausas entre secciones o marcar un nombre con una pista fonética, sin intervención humana. Ese es el público de este endpoint: equipos que ya generan guiones de forma algorítmica y necesitan que el audio resultante suene deliberado. El precio refleja ese uso más preciso: una base pequeña por solicitud más una tarifa por cada 1000 caracteres, y las tareas fallidas nunca se cobran tras los reintentos automáticos.

Acceso y manejo de resultados

Este endpoint requiere saldo prepago, igual que todos los demás de la API; una solicitud sin saldo devuelve HTTP 402 en vez de un resultado parcial o degradado. El marcado enviado y el audio generado se eliminan al finalizar el período de retención y nunca se usan para entrenar modelos; la entrega es estrictamente por su webhook o por un enlace firmado temporal, y nada se conserva más allá de esa ventana.