Zum Inhalt
KI-BlogBriefing zu künstlicher Intelligenz

Lexikon · T

Text to Speech

Kurzantwort

Text to Speech (TTS), auf Deutsch Sprachsynthese, lässt einen Computer geschriebenen Text mit einer künstlichen Stimme vorlesen. Seit neuronale Netze die Tonspur direkt erzeugen, klingen die Stimmen deutlich natürlicher als die abgehackte Computerstimme früherer Jahre⁠1.

Autor
Veröffentlicht
Geprüft
Lesezeit
3 Minuten
Kleiner runder Lautsprecher mit grauem Stoffbezug neben einem aufgeschlagenen Notizbuch mit leeren cremefarbenen Seiten auf hellem Leinen
Bild: KI-generiert

Das Navi sagt "In 300 Metern rechts abbiegen", der Bildschirmleser liest einer blinden Nutzerin die Website vor, die Hotline begrüßt dich mit einer freundlichen Stimme, die nie ein Mensch eingesprochen hat. In allen drei Fällen wandelt ein Programm Text in Ton um. Es ist das Gegenstück zur Spracherkennung, die aus Gesprochenem Text macht.

Was zwischen Text und Ton passiert

Bevor eine Stimme erklingt, muss das System den Text lesbar machen. "Dr." wird zu "Doktor", "3." je nach Satz zu "dritte" oder "dritten", eine Jahreszahl wird anders gesprochen als eine Telefonnummer. Erst danach berechnet ein Modell Aussprache, Betonung und Satzmelodie und erzeugt daraus die Tonspur. Feiner steuern lässt sich das bei vielen Diensten mit der Auszeichnungssprache SSML. Google Cloud nennt als Beispiele Pausen, die Aussprache von Abkürzungen und Ordnungszahlen, die richtig vorgelesen werden sollen⁠3. Bei Google lassen sich außerdem Sprechtempo, Tonhöhe und Lautstärke einstellen⁠3.

Warum die Stimmen menschlicher wurden

Lange setzten Systeme Sprache aus aufgenommenen Schnipseln zusammen oder erzeugten sie über einfache Klangmodelle. Beides klang hörbar künstlich. Im September 2016 stellte DeepMind WaveNet vor, ein neuronales Netz, das die Tonspur Messpunkt für Messpunkt erzeugt, wobei jeder neue Wert von allen vorherigen abhängt⁠1. In Hörtests empfanden Menschen die Stimmen auf Englisch und Mandarin als natürlicher als die der besten bis dahin üblichen Verfahren⁠1.

Heute lässt sich auch der Tonfall per Anweisung steuern. Beim Modell gpt-4o-mini-tts von OpenAI kannst du laut Dokumentation Akzent, Gefühlslage, Sprechtempo und sogar Flüstern beschreiben; die Seite listet 13 eingebaute Stimmen⁠2. Sie nennt zugleich ein Abschaltdatum: gpt-4o-mini-tts, tts-1 und tts-1-hd sollen am 06.01.2027 eingestellt werden⁠2. Die Stimmen sind auf Englisch optimiert, andere Sprachen funktionieren laut OpenAI aber ebenfalls gut⁠2.

Wofür Sprachausgabe genutzt wird

Besonders hilft sie Menschen, die nicht oder schlecht lesen können, etwa wegen einer Sehbehinderung oder Legasthenie. Dazu kommen Hörfassungen von Artikeln, Ansagen in Bahn und Navi, Lern-Apps für Aussprache und der KI-Telefonassistent, der in Betrieben Anrufe entgegennimmt. Die Tonspur liefern die Dienste als Datei, bei OpenAI wahlweise als MP3, Opus, AAC, FLAC, WAV oder PCM⁠2.

Einen Schritt weiter geht der Stimmenklon, der eine bestimmte Stimme nachbaut, die eigene oder die eines anderen Menschen; wie das praktisch geht und was rechtlich zu beachten ist, gehört in die Anleitung zur KI-Stimme.

Eine Pflicht zur Offenheit steht bei OpenAI in den Hinweisen zur Sprachausgabe: Wer die Stimmen einsetzt, soll den Hörenden klar sagen, dass sie eine KI-Stimme hören und keinen Menschen⁠2. Das betrifft vor allem Ansagen und Telefonate, bei denen sonst niemand merkt, dass am anderen Ende ein Programm spricht.

Häufige Fragen

Gibt es Text to Speech kostenlos?

Ja. Windows, macOS, Android und iOS bringen Vorlesefunktionen mit, die genaue Bedienung steht in der Hilfe des jeweiligen Herstellers.

Klingt Text to Speech auf Deutsch gut?

OpenAI schreibt, die eigenen Stimmen seien auf Englisch optimiert und funktionierten in anderen Sprachen ebenfalls gut. Bei Fremdwörtern, Namen und Abkürzungen lohnt ein Probehören; eine Ausspracheangabe oder eine ausgeschriebene Form im Text hilft.

Darf ich KI-Stimmen für Videos verwenden?

Das regeln die Nutzungsbedingungen des jeweiligen Dienstes. Lies sie vor einer Veröffentlichung, gerade bei kommerziellen Projekten.

Quellen

Stand:

  1. arXiv (van den Oord u. a.): WaveNet: A Generative Model for Raw Audio, Stand 12.09.2016, abgerufen am 22.11.2026. zurück
  2. OpenAI: Text to speech, abgerufen am 22.11.2026. zurück
  3. Google Cloud: Text-to-Speech basics, abgerufen am 22.11.2026. zurück

Weiterlesen

Bilder: KI-generiert

Aus dem Lexikon

Bilder: KI-generiert