Online Text zu Sprache Sprachgenerator

1. 1

   Text eingeben

   Tippen oder fügen Sie ein, was vorgelesen werden soll, oder importieren Sie eine .txt- oder .md-Datei.

2. 2

   Engine wählen

   Sofort nutzt Ihre Systemstimmen und spielt unmittelbar ab. Studio führt eine neuronale Stimme auf Ihrem Gerät aus und lässt sich herunterladen.

3. 3

   Stimme wählen

   Wählen Sie aus 28 Studio-Stimmen oder aus den Stimmen Ihres Betriebssystems.

4. 4

   Tempo einstellen

   Passen Sie die Sprechgeschwindigkeit an, wenn die Vorgabe zu schnell oder zu langsam liest.

5. 5

   Erzeugen

   Studio synthetisiert das Audio auf Ihrem Gerät; der Fortschritt wird je Abschnitt angezeigt.

6. 6

   Herunterladen

   Speichern Sie das Ergebnis als WAV, MP3, M4A, OGG oder FLAC.

Hinter einem Textfeld stecken zwei Engines, weil die beiden Erwartungen an Sprachsynthese in entgegengesetzte Richtungen ziehen.

• Sofort — nutzt die Stimmen, die bereits auf Ihrem Rechner oder Telefon installiert sind. Es spricht, sobald Sie auf Abspielen drücken, lädt nichts herunter und unterstützt die Sprachen Ihres Systems. Es lässt sich nicht als Datei speichern.
• Studio — führt ein neuronales Sprachmodell auf Ihrem Gerät aus. Es startet etwas langsamer und erzeugt eine echte Wellenform, die sich als Audiodatei herunterladen und in einem Video, Podcast oder einer Präsentation verwenden lässt.
• Ein Textfeld — Text, Sprechgeschwindigkeit und Stimmenliste sind gemeinsam, sodass ein Wechsel der Engine kein Neuanfang ist.
• Nichts wird hochgeladen — beide Engines laufen lokal. Der eingefügte Text und das erzeugte Audio bleiben auf dem Gerät, was für Online-Tools, die Ihren Text an einen Server senden, nicht gilt.

Das ist der Teil, den die meisten kostenlosen Sprachtools zurückhalten, und der Grund, warum es die Studio-Engine gibt.

• WAV — die exakte Ausgabe des Modells, unkomprimiert, mit 24 kHz. Wählen Sie es, wenn das Audio in einen Video- oder Audioeditor geht und erneut bearbeitet wird.
• MP3 — die kleinste breit kompatible Datei und die richtige Vorgabe zum Teilen, Hochladen oder Einbetten. Wird auf Ihrem Gerät kodiert.
• M4A — AAC in einem MP4-Container — die Apple-native Wahl und in Video-Werkzeugen gut unterstützt.
• OGG und FLAC — Opus in OGG für das Web bei kleinen Größen, und FLAC, wenn Sie eine verlustfreie Datei wollen, die spürbar kleiner als WAV ist.
• Warum Sofort nicht speicherbar ist — Systemstimmen gehen direkt an die Audioausgabe und stellen keinen aufnehmbaren Stream bereit. Das ist eine Grenze des Betriebssystems, nicht dieses Tools, und deshalb gibt es die neuronale Engine.

Die Studio-Engine liefert 28 Stimmen. Sie unterscheiden sich um mehr als die Tonhöhe: Jede wurde einzeln trainiert, und manche sind deutlich klarer als andere.

• Amerikanisches Englisch — 20 Stimmen, 11 weibliche und 9 männliche. Sie passen exakt zum Aussprachewörterbuch und sind für die meisten Texte die beste Wahl.
• Britisches Englisch — 8 Stimmen. Sie sprechen mit britischem Akzent, verwenden aber amerikanische Vokale, weil das zugrunde liegende Wörterbuch amerikanisch ist. Der Unterschied ist bei Wörtern wie „bath“ und „dance“ hörbar.
• Auswahl — die Stimmen sind nach Qualität sortiert. Klingt eine Stimme bei Ihrem Text dünn oder instabil, gehen Sie in der Liste nach oben, statt am Tempo zu drehen.
• Andere Sprachen — wechseln Sie zur Sofort-Engine, die anbietet, was Ihr Betriebssystem bereitstellt — meist deutlich mehr.

Hier verraten sich Sprachsynthese-Tools am häufigsten, deshalb lohnt sich Genauigkeit.

• Ganze Zahlen — 1.234 wird als „eintausendzweihundertvierunddreißig“ gelesen, nicht als vier einzelne Ziffern.
• Jahreszahlen — im Englischen wird „in 1999“ als „nineteen ninety nine“ gelesen, „1999 items“ dagegen als Menge. Der Kontext entscheidet.
• Geld — 1.234,56 $ wird zu Dollar und Cent. Pfund, Pence und Euro werden genauso behandelt.
• Dezimalzahlen und Versionen — 1,5 ist „eins Komma fünf“. 2.0 ist „zwei“, weil man es so ausspricht.
• Ordnungszahlen und Bereiche — 3., 21. und 102. werden als Ordnungszahlen gelesen, und ein Bereich wie 128-192 wird als zwei Zahlen gelesen statt übersprungen.
• Symbole — 25 % ist „fünfundzwanzig Prozent“, & ist „und“, @ ist „at“. Abkürzungen wie ISO, PDF und UTF-8 werden Buchstabe für Buchstabe buchstabiert statt als Wort ausgesprochen.

Sprachqualität ist überwiegend ein Wörterbuchproblem, kein Modellproblem. Eine perfekte Stimme, die die falschen Laute spricht, bleibt falsch.

• Ein Wörterbuch mit 183.562 Wörtern — jeder Eintrag nennt die genauen Laute und die betonte Silbe.
• Wortendungen per Regel — „rendered“ steht nicht im Wörterbuch, „render“ schon, und die Regeln für -s, -ed und -ing bauen den Rest. Deshalb klingen flektierte Formen richtig.
• Wörter, die sich mit ihrer Funktion ändern — „use“ wird als Substantiv anders gesprochen als als Verb, ebenso „record“, „content“, „present“ und rund siebenhundert weitere. Der umgebende Satz entscheidet.
• Kontext zwischen Wörtern — „the“ vor einem Vokal klingt anders als vor einem Konsonanten, und „to“ ebenso. Fehler hier lassen jeden Satz subtil fremd klingen, obwohl jedes Wort für sich richtig ist.
• Unbekannte Wörter — Namen und Neuschöpfungen gehen an ein kleines neuronales Modell, das die Aussprache aus der Schreibweise vorhersagt, sodass ein unbekanntes Wort gesprochen und nicht übersprungen wird.

Sprachsynthese ist unter den Konvertierungswerkzeugen besonders: Was Sie einfügen, ist oft genau das, was Sie am wenigsten einem Fremden geben möchten.

• Nichts wird hochgeladen — das Sprachmodell kommt einmal in Ihren Browser. Danach verlassen weder Text noch Audio den Rechner.
• Es funktioniert offline — sobald das Modell im Cache liegt, arbeitet das Tool ganz ohne Netz weiter.
• Keine Kontingentzählung — es gibt nichts auf einem Server zu zählen, weil es nichts auf einem Server gibt.
• Der Preis dafür — das Modell muss einmal geladen werden, und die Synthese nutzt Ihren Prozessor statt den eines anderen. Das ist der Preis dafür, dass der Text nirgendwohin geht.

Die Arbeit passiert auf Ihrem Gerät, daher hängt die ehrliche Antwort auf „wie schnell ist es“ vom Gerät ab. Das ist zu erwarten.

• Erste Nutzung — die Studio-Engine lädt rund 93 MB — Sprachmodell, Aussprachewörterbuch und eine Stimme. Danach liegt alles im Cache.
• Danach — die Umwandlung startet sofort. Langer Text wird in Abschnitte geteilt, von denen mehrere gleichzeitig auf Ihren CPU-Kernen synthetisiert werden.
• Kostenlos — 5.000 Zeichen pro Umwandlung, eine nach der anderen. Das sind etwa sechs Minuten Sprache und mehr, als die meisten kostenlosen Tools erlauben.
• Pro — keine Zeichengrenze, bis zu 25 Dokumente gleichzeitig, als ein Archiv geliefert.
• Was nie begrenzt ist — jede Stimme, jede Sprechgeschwindigkeit und jedes Ausgabeformat einschließlich MP3 sind im kostenlosen Plan verfügbar. Die bezahlte Achse ist der Umfang, nicht die Qualität.

Die Synthese läuft auf Ihrem Gerät über mehrere CPU-Kerne gleichzeitig, sodass die Geschwindigkeit mit Ihrer Hardware skaliert und nichts auf einen Server wartet.

Das meiste, was synthetische Sprache gut klingen lässt, entscheidet sich vor dem Klick auf Erzeugen.

• Richtig interpunktieren — Kommas und Punkte sind Pausen. Text ohne sie wird in einem Zug heruntergelesen.
• Absätze trennen — eine Leerzeile wird zu einer längeren Pause, und genau das trennt die Abschnitte eines Skripts.
• Zahlen ausschreiben, wenn es darauf ankommt — wenn eine Jahreszahl in einem Kontext, den das Tool als Menge lesen würde, anders klingen soll.
• Schwierige Namen umschreiben — lautschriftliche Schreibweise in der Eingabe ist der schnellste Weg, einen falsch gesprochenen Namen zu korrigieren, und sie gewinnt immer.
• Für Erzählung etwas langsamer — ein Tempo knapp unter 1× wirkt bedachter, was zum Erklären passt. Für Dialoge bei 1× bleiben.
• Erst mit einem kurzen Auszug testen — einen Absatz erzeugen, hören, anpassen und dann das ganze Dokument laufen lassen.

Für manche Aufgaben ist es das bessere Werkzeug als für andere, und die Grenzen gehören ehrlich benannt.

• Emotionale Darbietung — das Modell liest klar und gleichmäßig. Es spielt nicht und wird eine Pointe oder eine dramatische Zeile nicht so bringen wie ein Mensch.
• Andere Sprachen als Englisch — das Studio-Wörterbuch ist amerikanisches Englisch. Nutzen Sie für andere Sprachen die Sofort-Engine oder einen dafür gebauten Dienst.
• Die Stimme einer bestimmten Person klonen — bewusst nicht unterstützt. Die 28 Stimmen sind die Stimmen.
• Sehr große Dokumente auf schwachen Geräten — ein buchlanger Text auf einem alten Telefon passt nicht. Teilen Sie ihn oder führen Sie ihn auf einem Laptop aus.

• Sprache zu Text
• PDF zu Text
• Bild zu Text
• Bildkonverter
• Text teilen
• Groß-/Kleinschreibung
• Audio-Konverter
• Audio zusammenfügen
• Audio schneiden
• Audio-Lautstärke
• Audio-Editor
• Video-Audio ersetzen