Text-to-Speech (TTS).
Text-to-Speech (TTS), auf Deutsch Sprachsynthese, wandelt geschriebenen Text in gesprochene Sprache um. Moderne TTS-Systeme beruhen auf neuronalen Netzen und klingen so natürlich, dass sie für Erklärvideos, Telefonansagen, Vorlesefunktionen und Sprachassistenten eingesetzt werden. Sie laufen als Cloud-Dienst oder lokal auf dem eigenen Rechner.
Text-to-Speech (TTS) — ausführlich erklärt
Sprachsynthese gibt es seit Jahrzehnten, lange klang sie aber roboterhaft. Der Sprung kam mit neuronalen Modellen, die aus vielen Stunden Sprachaufnahmen lernen, wie Betonung, Pausen und Satzmelodie zusammenhängen. Heutige Systeme bekommen einen Text und liefern eine Audiodatei, oft in wählbaren Stimmen, Sprachen und Sprechweisen. Viele bieten zusätzlich Zeitstempel pro Wort, mit denen sich Untertitel exakt auf die Stimme legen lassen. Das umgekehrte Verfahren, gesprochene Sprache in Text umzuwandeln, heisst Speech-to-Text.
Es gibt zwei Betriebsarten. Cloud-Dienste wie ElevenLabs oder die Sprachdienste der grossen Cloud-Anbieter bieten hohe Qualität ohne eigene Hardware, abgerechnet nach Zeichen oder Minuten. Der Text verlässt dabei das Haus. Lokale Modelle, die quelloffen auf GitHub verfügbar sind, laufen auf dem eigenen Rechner oder Server: keine laufenden Gebühren pro Zeichen, kein Datenabfluss, dafür Aufwand für Einrichtung und je nach Modell eine leistungsfähige Grafikkarte. Einen Überblick über Sprach-KI im Firmenalltag gibt der Artikel Voice AI für KMU.
Die Einsatzfelder für KMU sind konkret: Sprecherstimme für Erklär- und Werbevideos, Telefonansagen und Warteschleifen, Vorlesefunktion für Texte auf der Website, Sprachausgabe in einem Chatbot oder Sprachassistenten und Audiofassungen von Artikeln. Für die digitale Barrierefreiheit ist TTS ebenfalls wichtig, wobei Screenreader die Sprachausgabe meist selbst übernehmen. Eine Website muss vor allem sauber strukturiert sein, damit diese Werkzeuge sie richtig vorlesen.
Die Grenzen liegen in der Schweiz besonders beim Dialekt. Hochdeutsch beherrschen die guten Systeme sehr gut, Schweizerdeutsch dagegen kaum oder nur in einzelnen Varianten, und die Ergebnisse sind uneinheitlich. Auch Eigennamen, Ortsnamen und Fachbegriffe werden oft falsch betont und müssen per Lautschrift oder Schreibweise korrigiert werden. Und sobald eine Stimme einer realen Person nachgebildet wird, beginnt das Thema Voice Cloning mit eigenen rechtlichen Fragen. Für die Lizenz der genutzten Stimme und des Modells gilt: vor dem kommerziellen Einsatz die Bedingungen lesen.
Cloud oder lokal: worauf es ankommt
Für gelegentliche Videos ist ein Cloud-Dienst meist der einfachste Weg: hohe Qualität, viele Stimmen, kein Betrieb. Lokale Modelle lohnen sich, wenn vertrauliche Texte vertont werden, grosse Mengen anfallen oder die Abhängigkeit von einem Anbieter vermieden werden soll. Zu prüfen sind in beiden Fällen die Lizenz für die kommerzielle Nutzung, die Qualität in der gewünschten Sprache und die Frage, ob Wortzeitstempel für Untertitel verfügbar sind.
Bei lokalen Modellen ist die Open-Source-Lizenz entscheidend: Manche erlauben kommerzielle Nutzung frei, andere nur nicht kommerziell oder mit Auflagen, und die Lizenz des Codes kann sich von der Lizenz der Modellgewichte unterscheiden. Wie wir KI-Werkzeuge in Abläufe einbinden, steht unter KI-Automatisierung für KMU und KI-Beratung Schweiz.
Beispiel: Eine Sprachschule vertont Übungstexte
Ein konstruiertes Beispiel: Eine Sprachschule in Bern möchte zu ihren schriftlichen Übungen Hörtexte in Hochdeutsch anbieten. Bisher wurden einzelne Texte von Lehrpersonen aufgenommen, was viel Zeit kostete und uneinheitlich klang. Mit einem lokalen TTS-Modell auf einem Rechner der Schule werden alle Übungstexte in zwei Stimmen vertont, Tempo und Pausen sind einstellbar.
Die Texte verlassen die Schule nicht, und neue Übungen sind in Minuten vertont. Eine Lehrperson hört jede Aufnahme kurz gegen und korrigiert falsch betonte Wörter über eine angepasste Schreibweise. Für Aufnahmen mit Dialekt bleibt die Schule bei echten Sprecherinnen, weil die Modelle das nicht zuverlässig leisten.
Weiterführende Seite
Voice CloningHäufige Fragen zu Text-to-Speech (TTS)
Nur eingeschränkt. Hochdeutsch klingt bei guten Systemen sehr natürlich, Schweizerdeutsch wird kaum oder nur in einzelnen Varianten unterstützt, und die Qualität schwankt stark. Für Dialekt sind echte Sprecherinnen und Sprecher weiterhin die verlässlichere Wahl.
Das regeln die Bedingungen des Dienstes oder die Lizenz des Modells. Viele Cloud-Dienste erlauben kommerzielle Nutzung in bezahlten Plänen, bei lokalen Modellen unterscheiden sich die Lizenzen stark. Vor dem Einsatz in Werbung oder Produkten die Bedingungen genau lesen.
Text-to-Speech wandelt Text mit einer vorhandenen, meist synthetischen Stimme in Sprache um. Voice Cloning bildet die Stimme einer bestimmten realen Person nach, damit TTS mit dieser Stimme spricht. Dafür braucht es die Einwilligung der Person.
Weitere Begriffe mit „T“
TTFB (Time to First Byte)
TTFB misst die Zeit vom Absenden einer HTTP-Anfrage bis zum Empfang des ersten Datenbytes vom Server...
Tailwind CSS
Tailwind CSS ist ein Utility-First CSS-Framework, das Entwicklern ermöglicht, Designs direkt im HTML...
Title Tag (Seitentitel)
Der Title Tag ist der HTML-Seitentitel einer Webseite. Google zeigt ihn als anklickbare blaue Übersc...
Bereit für Ihr Projekt?
Wenden Sie dieses Wissen auf Ihre Website an — DLM Digital hilft Ihnen dabei.
Text-to-Speech (TTS) in der Praxis
Wie der Begriff im Alltag von Schweizer KMU auftaucht — vertieft in Artikeln aus dem DLM Magazin.