Was ist Text-to-Speech (TTS)?

Der niederländische ChatGPT spricht manchmal mit deutschem Akzent. Ist das Absicht, ist es gemein. Ist es keine, ist es faszinierend.

So oder so: KI-Sprachassistenten haben einen weiten Weg zurückgelegt seit Microsofts Sam. Tatsächlich hat sich seit meinen Studien zur Sprachtechnologie vor ein paar Jahren einiges getan.

Und ich erzähle Ihnen, wo wir heute stehen.

Schon mindestens seit 1968 träumen wir vom synthetischen Sprechen – seit HAL dem Roboter in 2001: Odyssee im Weltraum.

Statt Prestige und Zukunftsvision ist es heute Standard: 89 % der Verbraucher machen ihre Gerätewahl davon abhängig, ob Sprachunterstützung vorhanden ist.

Anders gesagt: „Hilf mir nicht nur, sprich mit mir.“

In diesem Artikel geht es um Text-to-Speech – die Umwandlung von Text in gesprochene Sprache. Ich erkläre, was technisch dahintersteckt und wie diese Technologie in verschiedenen Branchen eingesetzt wird.

Was ist Text-to-Speech?

TTS ist der Prozess, geschriebenen Text in synthetische Sprache umzuwandeln. Frühe Systeme ahmten mechanisch den menschlichen Sprechapparat nach oder setzten aufgezeichnete Sprachfragmente zusammen. Heute nutzen TTS-Systeme tiefe neuronale Netze, um dynamische, menschenähnliche Sprache zu erzeugen.

Je nach Anwendungsfall gibt es verschiedene Modelle, etwa für die Echtzeit-Generierung in Dialogsystemen, steuerbare Ausdrucksweise oder die Nachbildung einer bestimmten Stimme.

Wie funktioniert Text-to-Speech?

TTS besteht aus drei Hauptschritten: Zuerst wird der eingegebene Text verarbeitet, um Symbole, Ausdrücke und Abkürzungen auszuschreiben. Anschließend wandeln neuronale Netze den Text in eine akustische Darstellung (Spektrogramm) um. Schließlich wird diese Darstellung in Sprache umgesetzt.

Wie erwähnt, haben Forschende viele Ansätze für TTS ausprobiert. Der aktuelle Standard (und vermutlich bleibt das noch eine Weile so) basiert auf neuronalen Netzen für Sprachsynthese.

Die verschiedenen sprachlichen Ebenen – Aussprache, Sprechgeschwindigkeit, Intonation – zu modellieren, ist eine komplexe Aufgabe.

Selbst mit den scheinbar magischen Fähigkeiten neuronaler Netze braucht ein TTS-System viele Komponenten, um Sprache zu imitieren.

Es gibt keine einheitliche Pipeline; ständig entstehen neue Technologien, die ältere Ansätze ablösen.

Einige grundlegende Komponenten finden sich jedoch in fast allen TTS-Systemen.

1. Textverarbeitung

In der Textverarbeitung entscheidet das TTS-System, welche Wörter ausgesprochen werden. Abkürzungen, Datumsangaben und Währungssymbole werden ausgeschrieben, Satzzeichen entfernt.

Das ist nicht immer einfach. Bedeutet „Dr.“ Doktor oder Drive? Und CAD? Kanadischer Dollar oder Computer-Aided Design?

Zur Unterstützung kann Natural Language Processing (NLP) eingesetzt werden, um die richtige Bedeutung anhand des Kontexts zu bestimmen. Es prüft, wie der mehrdeutige Begriff (zum Beispiel „Dr.“) in den Satz passt – in „Dr. Perron riet davon ab“ würde NLP dr. als Doktor interpretieren.

2. Linguistische Analyse

Nach der Textverarbeitung geht es von „Was soll ich sagen?“ zu „Wie soll ich es sagen?“

Die linguistische Analyse bestimmt, wie ein Satz hinsichtlich Tonhöhe, Betonung und Dauer gesprochen werden soll. Anders gesagt:

• Wie lang soll jeder Laut, jede Silbe oder jedes Wort sein?
• Soll die Intonation steigen? Fallen?
• Welches Wort wird betont?
• Wie kann die Lautstärke die beabsichtigte Emotion widerspiegeln?

Warum Prosodie wichtig ist

Kurze Geschichte: Ich habe mal ein Team beraten, das TTS-Modelle entwickelt hat. Dabei wurde schnell klar, wie sehr die Prosodie die Verständlichkeit eines Satzes beeinflusst. Ich zeige Ihnen, was ich meine.

Hier sind drei Varianten des Satzes „Whoa, hast du damit gerechnet?“

Die erste ist super. Die Pause nach „Whoa“, die Betonung auf der zweiten Silbe von „expecting“ (ex-PEC-ting). 10 von 10.

Die zweite Variante trifft den Frageton gerade noch, indem das letzte Wort betont wird („... expecting THAT“). Ansonsten sind die Silben fast gleich lang, ohne große Unterschiede in Lautstärke oder Tonhöhe. Da würde ich sagen: „Zurück ans Zeichenbrett.“

Die letzte ist interessant: Das „whoah“ ist super – laut, lang und mit fallender Kontur. Die steigende Intonation der Frage verteilt sich auf „were you“ und bleibt dann fast gleich.

Hier hören viele durchschnittliche TTS-Systeme auf: Die Wiedergabe ist plausibel, aber so würden Sie es in den meisten Situationen nicht sagen.

In älteren Systemen wurden diese Merkmale von separaten Komponenten vorhergesagt: Ein Modell bestimmte die Dauer der Laute, ein anderes den Verlauf der Tonhöhe.

Heute ist das weniger klar getrennt.

Neuronale Netze lernen diese Muster meist selbstständig, indem sie die feinen Nuancen großer Trainingsdatensätze verinnerlichen.

3. Akustische Modellierung

Bei der akustischen Modellierung wird der normalisierte Text (und ggf. vorhergesagte linguistische Merkmale) durch ein neuronales Netz geschickt, das eine Zwischenrepräsentation erzeugt.

Spektrogramme und Sprachrepräsentationen

Diese Zwischenrepräsentation ist meist ein Spektrogramm – eine Darstellung der Frequenzen über die Zeit –, aber das ändert sich gerade.

Hier ist die vom TTS-Modell erzeugte Darstellung unseres Beispielsatzes „Whoa, were you expecting that?“:

‍

Dieses zweidimensionale Bild besteht aus 146 vertikalen Streifen, jeweils mit 80 Frequenzen. Helle Bereiche zeigen starke Frequenzen, dunkle schwache.

So sieht der zehnte Zeitschritt (oder die zehnte Spalte) aus, um 90 Grad nach rechts gedreht:

Man erkennt die einzelnen Frequenzen und ihre Intensität.

Auf den ersten Blick sieht das Spektrogramm unscheinbar aus, aber einige sprachliche Merkmale sind klar zu erkennen:

• Die deutlich abgegrenzten Wellenlinien sind Vokale oder vokalähnliche Laute wie /w/, /r/ und /l/.
• Dunkle Stellen stehen für Stille. Das könnten Pausen für Satzzeichen sein.
• Energieballungen im oberen Bereich deuten auf Geräusche hin, wie sie bei /s/, /sch/ und /f/ vorkommen.

Tatsächlich kann man, wenn man genau hinschaut, die Wörter sogar im Spektrogramm aneinanderreihen.

Spektrogramme in ihren verschiedenen Formen sind in der Sprachtechnologie weit verbreitet, weil sie eine sehr gute Zwischenstufe zwischen Rohsprache und Text darstellen.

Zwei Aufnahmen desselben Satzes von unterschiedlichen Sprechern haben sehr verschiedene Wellenformen, aber sehr ähnliche Spektrogramme.

4. Audiosynthese (Vocoding)

In der Synthesephase wird das Spektrogramm in Audio umgewandelt.

Die Technologie, die diese Umwandlung übernimmt, nennt man Vocoder. Dabei handelt es sich um neuronale Netzwerke, die darauf trainiert sind, Sprachsignale anhand ihrer Spektrogramm-Darstellungen zu rekonstruieren.

Der Grund, warum die Darstellung und das Sprachsignal in getrennte Module aufgeteilt werden, liegt in der Kontrolle: Das erste Modul sorgt für die genaue Wiedergabe von Aussprache und Betonung, das zweite für Stil und Natürlichkeit der Stimme.

Mit einem Spektrogramm können wir zwischen /s/ und /sch/ oder /iː/ (wie in heat) und /ɪ/ (wie in hit) unterscheiden, aber Stil und Persönlichkeit entstehen durch die feinen Details, die der Vocoder erzeugt.

Hier ist ein Vergleich verschiedener Kombinationen aus akustischen Modellen und Vocodern. Er zeigt, wie Forscher verschiedene Modelle und Vocoder kombinieren und so das bestmögliche Ergebnis erzielen.

Aber wie bei den anderen Komponenten werden auch Spektrogramme zunehmend durch All-in-One-Modelle ersetzt.

Was sind die Anwendungsbereiche von TTS?

Die Fähigkeit, dynamisch gesprochene Sprache zu erzeugen, ist in vielen Branchen ein unverzichtbares Werkzeug.

Es geht nicht nur um ausgeklügelte Roboterassistenten – TTS trägt zu Effizienz, Barrierefreiheit und Sicherheit bei.

Chatbots und Sprachassistenten

Das haben Sie sicher schon erwartet 😉

Ob Befehle verstehen, Einkaufslisten aktualisieren oder Termine eintragen – die ausgefeilte und wichtige Sprachausgabe von KI-Agenten wird schnell zur Selbstverständlichkeit.

Ein guter Agent (also ein nutzbarer) braucht eine Stimme, die passt: einladend genug, um Befehle zu erhalten, und menschlich genug, damit Nutzer glauben, dass er sie ausführen kann.

Viel Forschung und Entwicklung fließt in die Frage, wie man Nutzer in dem Bruchteil einer Sekunde überzeugt, in dem sie entscheiden, ob ein KI-Assistent „richtig“ klingt.

Aus Unternehmenssicht: Ihr Chatbot repräsentiert Ihre Marke. Fortschritte in der TTS-Technologie eröffnen neue Möglichkeiten für ein besseres Voice Branding und einen effektiveren Kundenservice.

Navigation und Transport

Nichts zeigt die Bedeutung guter TTS-Systeme so deutlich wie ein Navigationsgerät, das Straßennamen unverständlich ausspricht, während man fährt.

GPS-Navigation ist ein Paradebeispiel für die Stärken von TTS: Unsere Augen sind beschäftigt, und akustische Informationen sind nicht nur praktisch, sondern auch sicherheitsrelevant.

Das gilt ebenso für Flughäfen und öffentliche Verkehrssysteme. In komplexen, stark frequentierten Umgebungen wie Bahnhöfen und Terminals ist synthetische Sprache unverzichtbar.

Ohne TTS sind wir auf Live-Durchsagen angewiesen, die oft hastig und schwer verständlich sind, oder auf zusammengesetzte Aufnahmen von Namen, Terminals, Zeiten usw., die meist schwer anzuhören sind.

Da Studien einen klaren Zusammenhang zwischen Natürlichkeit und Verständlichkeit zeigen, ist hochwertige TTS-Technologie für eine leistungsfähige Transportbranche unerlässlich.

Unterhaltung und Medien

Dank Verbesserungen bei synthetischer Sprache sind Erzählungen und mehrsprachige Medien heute viel zugänglicher.

Sprachtechnologie ersetzt dabei nicht das Talent, sondern erweitert die Möglichkeiten für ausdrucksstarke Darbietungen.

Val Kilmer, der durch Kehlkopfkrebs seine Stimme verloren hatte, konnte in Top Gun: Maverick (2022) dank KI mit seiner Originalstimme auftreten.

TTS ermöglicht es Spieleentwicklern, nicht-spielbaren Charakteren (NPCs) vielfältige und ausdrucksstarke Stimmen zu geben – was sonst kaum machbar wäre.

Gesundheitswesen

Fortschritte bei TTS bedeuten auch mehr Barrierefreiheit in allen Bereichen.

Technologien für die Altenpflege verbinden Begleitung und Unterstützung. Sie profitieren von der Anpassungsfähigkeit von TTS: Mitfühlende Tonlagen, variable Sprechgeschwindigkeit und sorgfältige Betonung ermöglichen eine würdevolle und wirksame Unterstützung.

TTS wird auch eingesetzt, um die Barrierefreiheit für jüngere Menschen zu verbessern.

Die Acapela Group entwickelt unter anderem Technologien für Kinder mit Sprachstörungen. Synthetische Sprache erweitert ihre Ausdrucksmöglichkeiten und Selbstständigkeit, ohne ihre stimmlichen Eigenheiten zu verlieren.

Bildung und inklusives Lernen

Wir sind synthetischer Sprache bereits in Sprachlern-Apps begegnet. Aber das ist nur die Spitze des Eisbergs.

Ein Hindernis für selbstständiges Lernen ist oft die Lesefähigkeit. Für Kinder, Menschen mit Sehbehinderung oder bestimmten Lernschwierigkeiten ist das nicht immer gegeben. Das stellt Lehrkräfte in überfüllten Klassen vor große Herausforderungen.

Ein Schulbezirk in Kalifornien setzt TTS ein, um eine inklusivere Lernumgebung für Schüler mit besonderen Bedürfnissen zu schaffen.

Wie in der Altenpflege setzt auch Bildungstechnologie auf mitfühlende Stimmen mit klarer Betonung. Anpassbare Parameter ermöglichen es Lehrkräften, diese Technologien in den Unterricht zu integrieren und so das Zugehörigkeitsgefühl der Schüler zu stärken.

Finden Sie das beste TTS für Ihre Anforderungen

Ganz gleich, in welcher Branche Sie tätig sind: Sprach-KI ist relevant. Und das von Ihnen eingesetzte TTS spricht im wahrsten Sinne des Wortes für Ihr Unternehmen – es muss also zuverlässig und anpassbar sein.

Mit Botpress können Sie leistungsstarke, individuell anpassbare Bots mit zahlreichen Integrationen und Bereitstellungsmöglichkeiten über alle gängigen Kommunikationskanäle hinweg erstellen. Ihr Sprachagent wird nicht nur beeindrucken, sondern auch funktionieren.

Jetzt loslegen. Kostenlos.

FAQs

Gibt es Sprachen oder Dialekte, mit denen TTS-Systeme Schwierigkeiten haben?

Ja, es gibt Sprachen und Dialekte, die TTS-Systeme nur schwer unterstützen – insbesondere solche mit wenig verfügbaren Sprach- und Textdaten. Regionale Dialekte, Tonsprache und indigene Sprachen stellen besondere Herausforderungen dar, da sie komplexe Ausspracheregeln und Prosodie erfordern, auf die Standardmodelle nicht trainiert sind. Aber auch bei weit verbreiteten Sprachen können Dialektunterschiede zu Fehlern oder unnatürlich klingender Sprache führen.

Wie anpassbar sind TTS-Stimmen in Bezug auf Tonhöhe, Geschwindigkeit und Emotionen?

Moderne TTS-Stimmen lassen sich heute in Tonhöhe, Geschwindigkeit und Emotion sehr flexibel anpassen, da neuronale Netzwerke eine feine Steuerung von Prosodie und Stil ermöglichen. Viele kommerzielle TTS-Systeme erlauben es, Sprechtempo, Intonation, Lautstärke und Ausdruck gezielt für verschiedene Kontexte einzustellen – etwa für ruhige Erzählungen, lebhafte Ansagen oder einfühlsame Dialoge. Der Grad der Anpassbarkeit hängt jedoch vom Anbieter ab: Manche bieten nur einfache Regler für Geschwindigkeit und Tonhöhe, andere ermöglichen detaillierte Einstellungen für Emotionen und Stimmfarbe.

Wie sicher sind Sprachdaten, die von TTS-Systemen verarbeitet werden?

Die Sicherheit der von TTS-Systemen verarbeiteten Sprachdaten hängt stark vom Anbieter und der Art der Bereitstellung ab. Cloudbasierte TTS-Dienste verschlüsseln Daten meist während der Übertragung und Speicherung, aber das Senden sensibler Informationen an externe Server kann Datenschutzrisiken bergen, wenn keine entsprechenden Vereinbarungen oder Compliance-Maßnahmen wie DSGVO oder HIPAA bestehen. Lokale oder Edge-Installationen bieten mehr Sicherheit, da Audio und Text die eigene Infrastruktur nicht verlassen und so das Risiko für Dritte minimiert wird.

Wie teuer ist die Implementierung hochwertiger TTS-Lösungen für Unternehmen?

Die Kosten für hochwertige TTS-Lösungen reichen von einigen hundert Euro pro Monat für cloudbasierte APIs bei mittlerer Nutzung bis hin zu Zehntausenden oder Hunderttausende Euro für eigene Sprachentwicklung oder unternehmensinterne Lösungen. Die Kosten umfassen in der Regel Lizenzgebühren, nutzungsabhängige Abrechnung (pro Zeichen oder Minute), Integrations- und Entwicklungskosten sowie ggf. Sprecherhonorare bei eigenen Stimmen. Kleine Unternehmen starten oft mit Abo-Modellen, während große Unternehmen in maßgeschneiderte Lösungen für Markenidentität und Datenschutz investieren.

Wie viele Trainingsdaten braucht man, um eine hochwertige TTS-Stimme zu erstellen?

Für eine hochwertige TTS-Stimme sind in der Regel mehrere bis dutzende Stunden sauber aufgezeichneter Sprache nötig – idealerweise vom gleichen Sprecher und unter konstanten Bedingungen. Moderne neuronale TTS-Systeme wie Tacotron oder FastSpeech erreichen mit 2–5 Stunden schon brauchbare Qualität, für besonders natürliche, ausdrucksstarke und robuste Stimmen sind jedoch meist 10–20 Stunden oder mehr erforderlich. Für Stimmklone oder sehr ausdrucksstarke Stimmen werden noch größere und vielfältigere Datensätze mit unterschiedlichen Stilen, Emotionen und Kontexten benötigt.