Text-to-Speech (TTS): Wie Sprachausgabe mit KI funktioniert und wie du dafür schreibst

Frühe Sprachsynthese klebte aufgenommene Silben aneinander – daher die abgehackte Bahnhofsdurchsage. Neuronales Text-to-Speech ersetzt den Kleber durch trainierte Modelle, in drei Schritten.

Normalisierung. Zuerst wird der Text in Wörter übersetzt: „2024“ muss eine Jahreszahl werden, „Str.“ eine Straße, „3/4“ ein Bruch oder ein Datum. Das ist Raterei, und genau diesen Schritt hast du in der Hand, weil du die Wörter selbst ausschreiben kannst.

Der Klangplan. Ein Sequenzmodell übersetzt den Text in eine Beschreibung des Audios. Bei Googles Tacotron 2 ist das ein 80-dimensionales Spektrogramm, alle 12,5 Millisekunden berechnet, mit Aussprache, Lautstärke, Tempo und Intonation. Hier wirkt die Zeichensetzung: Ein Fragezeichen hebt die Tonhöhe, ein Komma setzt eine Atempause.

Die Wellenform. Ein Vocoder erzeugt den Klang. DeepMinds WaveNet (2016) erzeugte Audio mit 16.000 Samples pro Sekunde oder mehr und verringerte in Hörtests den Abstand zur menschlichen Stimme um über 50 %. Tacotron 2 nutzte ein ähnliches Modell für 24-kHz-Audio, das Hörer als vergleichbar mit professionellen Aufnahmen bewerteten.

Die Tacotron-2-Autoren nannten selbst Probleme mit Wörtern wie „decorum“ und „merlot“. Seltene Wörter sind bis heute die Schwachstelle – und die behebst du im Skript.

Audit express : les finances d'Aubagne ist eine französische Animation ohne Website dahinter: ein von Hand geschriebenes Storyboard zu den öffentlichen Finanzen 2024 der Stadt Aubagne bei Marseille, die der Thinktank IFRAP mit zwanzig vergleichbar großen Gemeinden verglichen hat. Eine synthetische Stimme liest 279 Wörter, der Film läuft 104 Sekunden.

Er beginnt mit „Aubagne, presque quarante-huit mille habitants aux portes de Marseille“ und schiebt eine Frage nach: „Que disent ses comptes publics ?“ So hat die Stimme etwas, das sie anheben kann, statt einer Reihe flacher Aussagen.

Die eigentliche Lektion steckt in den Zahlen. Die Quelle nannte die Verschuldung pro Kopf in Ziffern, mit Eurozeichen und der Abkürzung „hab.“ für Einwohner. Das Skript sagt „deux mille sept cent soixante-quatre euros par habitant“ – auf Deutsch wäre das „zweitausendsiebenhundertvierundsechzig Euro pro Einwohner“. Gesamtschuld („cent trente-trois millions d'euros“) und Note („sept virgule deux sur vingt“) folgen derselben Regel. Dem Modell bleibt nichts zu raten: kein Tausendertrennzeichen, kein Dezimalkomma, keine Abkürzung.

Was wir ändern würden: Übrig bleiben nur Jahreszahlen, „chiffres 2024“ und der Zeitraum „2018-2024“. Jahreszahlen liest die Stimme zuverlässig; ein Bereich mit Bindestrich verdient genaues Hinhören, und „von 2018 bis 2024“ räumt den Zweifel aus. Außerdem werden ausgeschriebene Zahlen zu langen Untertiteln – die Ziffer selbst gehört auf eine Texttafel, während die Stimme sie ausspricht.

Um diesen Film auf 60 Sekunden zu bringen, müsstest du knapp die Hälfte der Wörter streichen, nicht die Stimme beschleunigen. Die Narration bestimmt die Länge erklärt die Wortbudgets.

Jede Regel nimmt dem Modell eine Entscheidung ab, die es sonst für dich raten würde.

Der billigste Test: Lies das Skript in normalem Tempo laut vor. Wo du stolperst, stolpert auch der KI-Sprecher.

Wir nehmen die ganze Narration als eine durchgehende Aufnahme auf, nicht einen Clip pro Szene, der danach zusammengeklebt wird. Die Satzmelodie bleibt über Schnitte hinweg gleichmäßig, und kein Wort wird an einem Szenenwechsel abgeschnitten. Die Untertitel werden aus derselben Aufnahme geschnitten, und die Szenen teilen sie auf: Eine Szene dauert so lange, wie ihre Wörter zum Sprechen brauchen.

Trotzdem kannst du jede Szene einzeln führen: ein anderer Sprecher, ein Tempo zwischen 0,8 und 1,2 oder ein Register (warm, ernst, ruhig, begeistert). Die Stimmen sind mehrsprachig – du wählst Klangfarbe und Tonlage, nicht die Sprache.

Narration und Untertitel gibt es in 13 Sprachen. Eine Übersetzung synchronisiert nicht den alten Ton: PageToVid schreibt die Narration in der neuen Sprache, nimmt sie neu auf, schneidet die Untertitel neu und filmt die lokalisierte Seite, wenn die Website eine hat (Video-Übersetzung). Tahaqqaq, ein 63-Sekunden-Film auf Arabisch über ein Tool, das die Quellen von Hadithen prüft, zeigt die Bandbreite.

Liegt dein Text schon als Artikel vor, schreibt Artikel zu Video ihn fürs Ohr um, statt ihn wörtlich vorzulesen.

Der entscheidende Unterschied zeigt sich, wenn sich das Skript ändert – bei Produktvideos alle paar Wochen. Bei PageToVid steckt die Sprachausgabe in den 40 Credits, die ein fertiger Film kostet (Preise); einen Satz zu ändern heißt, den ganzen Film in wenigen Minuten neu zu vertonen. Ein Profisprecher wird pro Session gebucht, und ein Satz, der Wochen später nachgesprochen wird, passt selten zum Original. Deine eigene Stimme kostet nichts, aber jede Korrektur heißt neu aufnehmen. Mehr dazu in KI-Voiceover oder menschlicher Sprecher.

• Fürs Auge schreiben. Schrägstriche, Einheiten, „z. B.“ und „usw.“ sind Lesehilfen; eine Stimme liest sie wörtlich oder überspringt sie.
• Unaufgelöste Abkürzungen. „Unser CRM synchronisiert mit deinem ERP“ wird im Sprechtempo zur Buchstabensuppe.
• Vierzig-Wörter-Sätze. Die Betonung landet an der falschen Stelle, und für einen Schnitt bleibt keine Pause.
• Zwei Sprachen in einer Aufnahme. Ein englischer Slogan im deutschen Skript oder ein arabischer Film, der mit einer Webadresse in lateinischer Schrift endet, zwingt die Stimme mitten im Satz zum Phonetikwechsel. Tahaqqaq endet mit „Tahaqqaq.pages.dev“ – genau diese Zeile solltest du vor dem Veröffentlichen anhören.
• Wörter ergänzen und dieselbe Länge erwarten. Die Aufnahme ist die Timeline.

Fliki ist um die Stimme herum gebaut: Es wirbt mit 2.000+ KI-Stimmen in über achtzig Sprachen und Dialekten und klont deine Stimme aus einer kurzen Probe. Brauchst du nur eine Sprachspur, einen Kanal mit deiner geklonten Stimme oder einen Dialekt, den wir nicht anbieten, ist das das bessere Werkzeug. PageToVid geht von der Seite aus: Die Stimme erklärt, was der Zuschauer sieht, meist deine echte Website, gefilmt in einem Browser. KI-Voiceover erklärt, wie du eine Stimme auswählst und führst.