Kwalifikacja: INF.10 - Obsługa oprogramowania i sprzętu informatycznego wspomagających użytkownika z niepełnosprawnością wzrokową

Przy projektowaniu i wdrażaniu rozwiązań TTS łatwo popełnić błąd, myląc pojęcia związane z przetwarzaniem dźwięku, analizą tekstu czy konfiguracją systemu. W przypadku SSML, często można natknąć się na przekonanie, że dotyczy on formatu pliku wyjściowego – tymczasem rzeczywista rola SSML polega na sterowaniu sposobem wypowiadania tekstu przez syntezator, a nie na definiowaniu, czy wynik będzie w MP3, WAV czy innym formacie. Za wybór formatu odpowiadają ustawienia samego programu TTS lub interfejsu API, a nie znaczniki w tekście. Podobnie, SSML nie służy do konfigurowania wyglądu tekstu w programach – ta funkcjonalność jest domeną edytorów tekstu czy systemów typograficznych, a nie narzędzi do syntezy mowy. Sformułowanie „konfiguracja sposobu wyświetlania tekstu” dotyczy raczej GUI lub edytorów treści, co w kontekście TTS zupełnie mija się z celem. Również poprawa wymowy za pomocą dedykowanych słowników to zupełnie inna kategoria – tutaj korzysta się z tzw. custom pronunciation lexicons, które pozwalają określić wymowę trudnych słów lub nazw własnych, ale nie mają one związku ze znacznikami SSML; to raczej osobny moduł lub plik, który przechowuje pary wyraz-wymowa. W praktyce, typowym błędem jest utożsamianie SSML z jakąkolwiek formą zaawansowanej konfiguracji wyjścia – a przecież jego jedynym zadaniem jest umożliwienie precyzyjnej kontroli nad wypowiadaniem tekstu: gdzie zrobić pauzę, jak wymawiać liczby, jakie emocje przekazać w głosie. Sam wielokrotnie widziałem, jak te nieporozumienia prowadzą do frustracji podczas integracji TTS w systemach – ktoś próbuje zmienić format pliku przez SSML, a potem się dziwi, że nic się nie dzieje. Warto więc pamiętać, że SSML to narzędzie do kreowania brzmienia wypowiedzi, a nie do zarządzania plikami czy wyglądem tekstu.