Text-to-Speech

Text-to-Speech ist Software, die geschriebenen Text vorliest. Man gibt einen Satz ein, und aus dem Lautsprecher kommt eine Stimme, die diesen Satz spricht. Der englische Name heißt übersetzt schlicht « Text zu Sprache », abgekürzt TTS. Früher klangen solche Stimmen blechern und abgehackt, weil einzelne Laute stumpf aneinandergereiht wurden. Heute erzeugen die Programme den Klang selbst und treffen dabei Pausen, Betonungen und Sprechtempo erstaunlich gut. Für viele Zuhörer ist der Unterschied zu einem echten Menschen kaum noch hörbar.

Vom Vorlesehilfsmittel zur Standardschnittstelle

Ursprünglich war das Vorlesen von Text vor allem eine Hilfe für blinde und sehbehinderte Menschen. Ein sogenannter Screenreader liest ihnen vor, was auf dem Bildschirm steht. Je natürlicher die Stimme klingt, desto länger kann man ihr zuhören, ohne zu ermüden. Aus einem Hilfsmittel für eine kleine Gruppe ist deshalb eine Technik für alle geworden.

Wirtschaftlich interessant wurde Text-to-Speech, weil es Sprachaufnahmen billig macht. Ein professioneller Sprecher im Studio kostet pro Stunde dreistellige Beträge und braucht für Korrekturen einen neuen Termin. Eine synthetische Stimme produziert dieselbe Menge Text in Sekunden und lässt sich beliebig oft ändern. Hörbuchverlage, Werbeagenturen und Nachrichtenseiten nutzen das inzwischen im großen Stil.

Damit entsteht auch ein Problem. Wenn sich jede Stimme aus wenigen Minuten Aufnahme nachbauen lässt, sind gefälschte Sprachnachrichten leicht möglich. Es gibt bereits Betrugsfälle, bei denen Anrufer die Stimme eines Vorgesetzten imitierten, um Überweisungen auszulösen. Deshalb verlangt die KI-Verordnung der EU, dass künstlich erzeugte Stimmen als solche gekennzeichnet werden.

Der Weg vom Buchstaben zur Schallwelle

Im ersten Schritt analysiert das System den Text. Es entscheidet, wie Zahlen, Abkürzungen und Fremdwörter ausgesprochen werden. « 1990 » kann Jahreszahl oder Betrag sein, und das hört man deutlich. Aus dem Text entsteht dabei eine Lautschrift, also eine Kette von Sprachlauten mit Angaben zu Betonung und Pausen.

Im zweiten Schritt sagt ein neuronales Netz voraus, wie diese Lautkette klingen soll. Ein neuronales Netz ist ein Rechenmodell, das aus vielen Beispielen Muster gelernt hat, hier aus hunderten Stunden echter Sprachaufnahmen. Es erzeugt zunächst eine Art Klangkarte, die für jeden Moment festhält, welche Tonhöhen wie stark vertreten sind. Ein zweites Netz, der Vocoder, verwandelt diese Karte dann in die eigentliche Schallwelle.

Der Vergleich mit einem Musiker trägt hier gut. Das erste Netz schreibt die Noten samt Vortragsanweisungen, das zweite spielt sie auf dem Instrument. Für das Nachahmen einer bestimmten Person kommt ein Stimmprofil dazu. Es genügen oft wenige Minuten Aufnahme, damit das System Klangfarbe und Sprechgewohnheiten übernimmt. Dieses Verfahren heißt Voice Cloning.

Wo synthetische Stimmen heute sprechen

Am häufigsten begegnet man Text-to-Speech bei Sprachassistenten auf dem Handy und bei Navigationsgeräten. Auch die Ansagen an Bahnhöfen und in Zügen sind oft nicht mehr aufgenommen, sondern werden im Moment erzeugt. Das ist praktisch, weil sich Verspätungen und Gleiswechsel nicht vorher einsprechen lassen. Videoplattformen bieten außerdem automatische Vertonungen für Beiträge in fremden Sprachen an.

In den Wirtschaftsnachrichten taucht der Begriff meist im Zusammenhang mit Firmen wie ElevenLabs, OpenAI oder Google auf. Solche Anbieter verkaufen den Zugang zu ihren Stimmen als Dienst, abgerechnet nach Zeichen oder Audiominuten. Parallel dazu laufen Rechtsstreitigkeiten darüber, wem eine nachgebaute Stimme gehört. Synchronsprecher fordern Vergütung, wenn ihre Stimme als Vorlage diente.

Ein häufiger Irrtum ist, Text-to-Speech mit Spracherkennung zu verwechseln. Spracherkennung, englisch Speech-to-Text, arbeitet genau umgekehrt und macht aus gesprochenen Worten geschriebenen Text. In Sprachassistenten stecken beide Techniken, verbunden durch ein Sprachmodell in der Mitte. Erst diese Kette aus Zuhören, Verstehen und Antworten ergibt ein Gespräch mit einer Maschine.