Was ist Text-to-Speech? Eine verständliche Einführung

Text-to-Speech (TTS), auch Sprachsynthese genannt, ist Software, die Text vorliest. Sie geben einen Satz ein und erhalten eine Audiodatei oder einen Live-Stream zurück, in dem eine Stimme diesen Satz spricht. Die Stimme ist keine Aufnahme eines Menschen, der genau Ihre Worte liest. Sie wird in dem Moment von einem Computermodell erzeugt, das gelernt hat, wie eine bestimmte Stimme Laute, Wörter und Sätze ausspricht.

Sie haben TTS mit ziemlicher Sicherheit schon gehört: bei Navigationsansagen, in Telefonmenüs, in Screenreadern, die blinde und sehbehinderte Menschen nutzen, in „Vorlesen“-Funktionen von E-Books und zunehmend auch als Sprecherstimme in YouTube- und Kurzvideos.

Die meisten aktuellen Systeme arbeiten grob in drei Schritten. Sie bekommen davon nichts mit, aber wenn Sie sie kennen, verstehen Sie besser, warum bestimmte Texte Probleme machen.

1. Den Text lesen und normalisieren

Zuerst ermittelt das System, was tatsächlich gesagt werden soll. „z. B.“ wird zu „zum Beispiel“; „1990“ ist als Jahreszahl meist „neunzehnhundertneunzig“, „1.990“ dagegen „eintausendneunhundertneunzig“; aus „5 €“ wird „fünf Euro“. Außerdem teilt es den Text in Sätze auf und legt fest, wie jedes geschriebene Wort ausgesprochen wird – das ist schwieriger, als es klingt: „umfahren“ wird in „Wir umfahren den Stau“ anders betont als in „Er hat das Schild umgefahren“.

2. Den Klang planen

Als Nächstes sagt ein neuronales Netz voraus, wie der Satz klingen soll: welche Silben betont werden, wo die Tonhöhe steigt und fällt, wie lange jeder Laut dauert und wo kurze Atempausen liegen. Diese Melodie und dieser Rhythmus heißen Prosodie, und genau darin liegt der Hauptunterschied zwischen einer Stimme, die menschlich klingt, und einer, die klingt, als lese eine Maschine eine Liste vor.

3. Das Audio erzeugen

Schließlich verwandelt ein weiteres Modell (oft Vocoder genannt) diesen Plan in eine echte Schallwelle, die Sie abspielen können. Ältere Systeme setzten winzige, vorab aufgenommene Sprachschnipsel zusammen, weshalb sie abgehackt klangen. Neuronale Systeme erzeugen die Wellenform direkt – deshalb klingen heutige Stimmen so flüssig.

• Prosodie. Natürlicher Rhythmus und natürliche Betonung zählen mehr als die reine Audioqualität. Eine saubere, aber monotone Stimme klingt trotzdem künstlich.
• Passende Sprache und passender Akzent. Eine Stimme, die für eine Sprache trainiert wurde, tut sich mit Wörtern aus einer anderen meist schwer. Wählen Sie eine Stimme, die zur Sprache Ihres Textes passt, und idealerweise den Akzent, den Ihr Publikum erwartet.
• Der Text selbst. Abkürzungen, ungewöhnliche Namen, fehlende Satzzeichen und sehr lange Sätze sind die häufigsten Ursachen für seltsame Ergebnisse. Unser Ratgeber zum Schreiben von Skripten für Text-to-Speech zeigt, wie Sie das beheben.
• Einstellungen für Geschwindigkeit und Tonhöhe. Kleine Änderungen bewirken viel; extreme Einstellungen lassen jede Stimme merkwürdig klingen.

• Barrierefreiheit. Zuhören statt lesen hilft Menschen mit Sehbeeinträchtigung, Legasthenie, Erschöpfung oder anderen Leseschwierigkeiten. Siehe Text-to-Speech für Barrierefreiheit.
• Videovertonung. Kreative nutzen TTS für YouTube-Erklärvideos, Tutorials und Kurzvideos, wenn sie ihre eigene Stimme nicht aufnehmen können oder möchten. Siehe ein YouTube-Voiceover erstellen.
• Sprachen lernen. Einen Satz von einer Stimme mit muttersprachlichem Akzent und in langsamerem Tempo zu hören, hilft bei der Aussprache. Siehe Text-to-Speech zum Sprachenlernen.
• Korrekturlesen. Sich den eigenen Text vorlesen zu lassen, ist eine der schnellsten Methoden, um holprige Sätze und fehlende Wörter zu finden.
• Hörbücher und lange Hörtexte. Siehe ein Hörbuch mit TTS vertonen.

Selbst gute KI-Stimmen sprechen seltene Namen, Markennamen und Lehnwörter aus anderen Sprachen manchmal falsch aus. Sie verstehen Ihren Text nicht so wie ein menschlicher Sprecher, deshalb kommen Witze, Ironie und starke Gefühle oft neutral heraus. Und weil synthetische Stimmen inzwischen realistisch klingen, dürfen sie niemals genutzt werden, um eine echte Person nachzuahmen oder Zuhörer zu täuschen.

Die praktische Lösung für die meisten dieser Grenzen lautet: den Text bearbeiten, statt gegen die Stimme anzukämpfen. Schreiben Sie schwierige Namen so, wie sie klingen, teilen Sie lange Sätze auf und setzen Sie Satzzeichen dort, wo Sie eine Pause möchten.

Im Studio können Sie bis zu 2.000 Zeichen auf einmal einfügen, aus 583 Stimmen in 76 Sprachen wählen, Geschwindigkeit und Tonhöhe anpassen, sich das Ergebnis anhören und herunterladen. Ein Konto ist nicht nötig. Wenn Sie nicht wissen, mit welcher Stimme Sie anfangen sollen, lesen Sie So wählen Sie die passende KI-Stimme.