Text-to-Speech (TTS)

Text-to-Speech heißt übersetzt „Text zu Sprache“. Gemeint ist ein Computerprogramm, das geschriebene Wörter vorliest. Man gibt einen Satz ein, das Programm gibt eine Audiodatei aus. Die Abkürzung dafür lautet TTS. Frühe Versionen klangen blechern und abgehackt, weil sie einzelne aufgenommene Lautstücke aneinanderklebten. Heutige Systeme erzeugen den Klang stattdessen von Grund auf neu und treffen dabei Betonung, Sprechtempo und Pausen erstaunlich gut.

Warum Maschinen sprechen lernen sollten

Sprache ist der bequemste Weg, Informationen aufzunehmen, wenn die Augen beschäftigt sind. Beim Autofahren, beim Kochen oder beim Sport ist Vorlesen praktischer als ein Bildschirm. Genau deshalb steckt TTS in Navigationsgeräten, Sprachassistenten und Podcast-Apps.

Besonders wichtig ist die Technik für Menschen mit Sehbehinderung. Ein sogenannter Screenreader liest ihnen den gesamten Bildschirminhalt vor, also Menüs, E-Mails und Webseiten. Auch Menschen mit Lese-Rechtschreib-Schwäche profitieren davon. Für sie ist TTS keine Bequemlichkeit, sondern der Zugang zum Computer überhaupt.

Wirtschaftlich interessant wurde TTS, als die Stimmen echt klangen. Ein Hörbuch aufzunehmen kostet ein Sprecherhonorar und Studiozeit. Eine synthetische Stimme produziert dieselbe Textmenge in Minuten und für Cent-Beträge. Verlage, Werbeagenturen und Videoplattformen nutzen das inzwischen im großen Stil. Gleichzeitig fürchten professionelle Sprecherinnen und Sprecher um ihre Aufträge.

Vom Buchstaben zur Schallwelle

Der erste Schritt ist das Aufräumen des Textes. Aus „12. 5. 2024“ muss „zwölfter Mai zweitausendvierundzwanzig“ werden. Auch „Dr.“ oder „km/h“ müssen ausgeschrieben werden. Dieser Schritt heißt Textnormalisierung und ist unspektakulär, aber fehleranfällig.

Danach übersetzt das System die Buchstaben in Laute. Das ist im Deutschen nicht trivial, weil dieselbe Buchstabenfolge verschieden klingen kann. „Wachstube“ ist je nach Bedeutung eine Stube der Wache oder eine Tube Wachs. Das Programm muss also den Sinn des Satzes berücksichtigen. Moderne Modelle lernen solche Fälle aus riesigen Mengen an Text- und Tonbeispielen.

Im letzten Schritt entsteht die eigentliche Schallwelle. Ein neuronales Netz, also ein aus Beispielen trainiertes Rechenmodell, erzeugt dafür tausende Zahlenwerte pro Sekunde. Diese Werte beschreiben, wie sich die Luft beim Sprechen bewegt. Dabei legt das Modell auch die Melodie des Satzes fest. Eine Frage steigt am Ende an, eine Aussage fällt ab. Genau diese Feinheit unterscheidet natürlich klingende Systeme von robotischen.

Synthetische Stimmen im Alltag und ihre Schattenseite

Am häufigsten begegnet einem TTS im Handy. Sprachassistenten antworten damit, Navigations-Apps sagen die nächste Abbiegung an, Übersetzungs-Apps sprechen fremde Sprachen vor. Auf Videoplattformen sind viele Erklärvideos mit einer künstlichen Stimme vertont. Oft merkt man es erst, wenn ein Eigenname falsch betont wird.

In den Nachrichten taucht der Begriff meist zusammen mit dem Stichwort Stimmklonen auf. Dabei genügen wenige Sekunden Aufnahme, damit ein System eine bestimmte Stimme nachahmt. Betrüger nutzen das für Anrufe, bei denen angeblich ein Verwandter in Not Geld braucht. Die EU-Verordnung über künstliche Intelligenz verlangt deshalb, dass künstlich erzeugte Stimmen als solche gekennzeichnet werden.

Häufig verwechselt wird TTS mit dem umgekehrten Vorgang. Spracherkennung, auf Englisch Speech-to-Text, macht aus gesprochenen Wörtern geschriebenen Text. Sie steckt in Diktierfunktionen und automatischen Untertiteln. Ein Sprachassistent braucht beides: erst das Zuhören, dann das Antworten.