Die Grundlagen
Wenn Sie sich fragen, was Text-to-Speech ist und wie es funktioniert, lautet die kurze Antwort: Eine Software verarbeitet geschriebene Wörter, interpretiert sie und gibt sie gesprochen wieder. So kann jemand Inhalte anhören, die sonst auf einem Bildschirm oder einer Seite gelesen werden müssten.
Text-to-Speech bezeichnet allgemein die Umwandlung von Text in gesprochene Sprache. Ein Sprachsynthesizer führt diesen Prozess aus; eine KI-Stimme beschreibt eine mögliche Art der Ausgabe, ist aber keine Voraussetzung.
Derselbe Text-to-Speech-Prozess kann unterschiedlichen Zwecken dienen: sich einen Abschnitt anhören, ein Skript prüfen oder schriftliche Inhalte leichter nachvollziehen.
Eine lernende Person hört sich einen Textabschnitt an und liest dabei mit.
Die Wörter zu hören kann einen weiteren Zugang zum Lernstoff bieten. Ob das geeignet ist, hängt jedoch von der lernenden Person und der Situation ab.
Text-to-Speech-Software für Lernende mit BehinderungenEine Autorin oder ein Autor hört sich einen Absatz an, der auf dem Bildschirm gut aussah.
Holprige Formulierungen oder fehlende Wörter fallen beim Vorlesen möglicherweise leichter auf.
Text-to-Speech-BeispieleJemand bereitet einen kurzen Textabschnitt mit Satzzeichen vor, bevor er ihn sich anhört.
Mit einer klaren Eingabe lässt sich leichter beurteilen, ob die gesprochene Ausgabe die beabsichtigte Bedeutung vermittelt.
So verwenden Sie Text-to-SpeechEin Creator testet, wie eine geschriebene Zeile gesprochen klingt.
So lassen sich Verständlichkeit und Tonfall getrennt von der Richtigkeit der eingegebenen Wörter beurteilen.
Was ist Text-to-Speech-KI?Grundsätzlich durchläuft Text-to-Speech drei Phasen. Die Einzelheiten unterscheiden sich je nach System, doch die Unterscheidung zwischen Eingabe, Interpretation und Ausgabe ist hilfreich.
Das System übernimmt Text aus einer Passage, einem Dokument oder einer anderen unterstützten Quelle. Es kann nur die Wörter sprechen, die es erhält. Tippfehler und ausgelassene Sätze bleiben daher in dieser Phase ein Problem.
Die Software ermittelt wahrscheinliche Aussprachen und setzt anhand von Satzzeichen und Kontext Pausen. Eine Abkürzung oder ein unbekannter Name kann dennoch mehrdeutig sein, selbst wenn der umgebende Satz klar ist.
Eine Sprach-Engine wandelt diese Interpretation mit einer ausgewählten Stimme in Audio um. Das Ergebnis anzuhören ist wichtig: Ein grammatikalisch korrekter Satz kann unnatürlich klingen, wenn Betonung oder Timing nicht stimmen.
Text-to-Speech verändert die Form, in der Wörter wiedergegeben werden. Es überprüft die Aussage nicht, ergänzt keinen fehlenden Kontext und garantiert nicht, dass alle Zuhörenden dieselbe Absicht heraushören.
Geschriebener Text
Text-to-Speech kann
eingegebene Wörter vorlesen.
Text-to-Speech kann nicht
Wörter wiederherstellen, die in der Quelle fehlen.
Zugang
Text-to-Speech kann
neben dem Lesen auch das Anhören ermöglichen.
Text-to-Speech kann nicht
allein den Barrierefreiheitsbedarf aller Menschen erfüllen.
Aussprache
Text-to-Speech kann
abschätzen, wie vertraute Wörter klingen sollten.
Text-to-Speech kann nicht
Namen, Akronyme oder ungewöhnliche Begriffe immer richtig aussprechen.
Sprechtempo
Text-to-Speech kann
Satzbau und Zeichensetzung nutzen, um Pausen zu setzen.
Text-to-Speech kann nicht
jede Pause ableiten, die ein Mensch beim Sprechen setzen würde.
Richtigkeit
Text-to-Speech kann
eine unzutreffende Behauptung so vorlesen, wie sie geschrieben steht.
Text-to-Speech kann nicht
überprüfen, ob diese Behauptung wahr ist.
Bedeutung
Text-to-Speech kann
einen Textabschnitt als gesprochene Audiodatei bereitstellen.
Text-to-Speech kann nicht
gewährleisten, dass die beabsichtigte Bedeutung verstanden wird.
Diese Grenzen sind besonders wichtig, wenn eine Aufnahme geteilt wird, statt nur von der Person angehört zu werden, die den Text eingegeben hat.
Text-to-Speech-Software kann einen Tippfehler flüssig vorlesen, sodass der Fehler zunächst weniger auffällt.
Behelfslösung
Lesen Sie den Ausgangstext Korrektur und hören Sie ihn einmal an, während Sie die schriftliche Fassung mitlesen.
Ein Name, Fachbegriff oder eine Abkürzung kann auf mehr als eine plausible Weise ausgesprochen werden.
Mögliche Lösung
Prüfen Sie unbekannte Wörter anhand eines kurzen Textbeispiels, bevor Sie einen längeren Abschnitt verwenden.
Audio allein eignet sich möglicherweise nicht für jemanden, der Untertitel, auswählbaren Text oder eine andere Form der Unterstützung benötigt.
Mögliche Lösung
Halten Sie die schriftliche Fassung bereit und fragen Sie die Zielgruppe, was für sie funktioniert.
Leser, Studierende, Schreibende und Kreative nutzen Text-to-Speech aus unterschiedlichen Gründen. Alle beginnen jedoch mit geschriebenen Inhalten und beurteilen das gesprochene Ergebnis. Wenn Sie die Erstellung von Sprachausgaben ausprobieren möchten, beginnen Sie mit einem kurzen Abschnitt, den Sie durch Anhören überprüfen können.
Erstellung von Sprachausgaben entdeckenDabei wird geschriebener Text in gesprochene Audioausgabe umgewandelt. Die Software empfängt den Text, erschließt wahrscheinliche Aussprachen und Pausen und erzeugt anschließend mithilfe einer Stimme den Ton.
Es benötigt eine schriftliche Eingabe, die es verarbeiten kann, beispielsweise einen Abschnitt mit eingetipptem Text. Eine klare Zeichensetzung hilft dabei, Satzgrenzen zu erkennen. Dennoch sollten Sie sich das Ergebnis anhören, um Fehler zu entdecken.
Die Stimme und die Sprach-Engine beeinflussen Aussprache, Sprechtempo und Betonung. Die Wörter können identisch sein, während sich die gesprochene Wiedergabe unterscheidet. Vergleichen Sie die Ergebnisse daher durch Anhören, statt nur den Text zu beurteilen.
Es kann sprachliche Muster und den Kontext nutzen, um eine wahrscheinliche Lesart zu wählen. Das ist jedoch nicht dasselbe, wie den Wahrheitsgehalt einer Aussage oder die Absicht der schreibenden Person zu überprüfen. Prüfen Sie wichtige Inhalte selbst, bevor Sie die Audioausgabe teilen.