Text-to-Speech
Text-to-Speech (TTS, Sprachsynthese) ist Software, die geschriebenen Text in gesprochenes Audio verwandelt. Modernes TTS nutzt neuronale Netze, die aus dem Text den Klang der Sprache vorhersagen und ihn dann als Wellenform ausgeben.
Auch: TTS, speech synthesis, AI voice generator
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
TTS ist die Stimme in Screenreadern, Navigations-Apps, Hörbüchern und Voice Agents. Ältere Systeme setzten aufgenommene Sprachfragmente zusammen. Neuronales TTS lernt stattdessen aus Stunden aufgenommener Stimme, wie Text klingen soll.
So funktioniert es
Tacotron 2 von Google zeigt den klassischen zweistufigen Aufbau. Ein Netz bildet Zeichen auf ein Mel-Spektrogramm ab, ein Bild davon, wie sich die Schallenergie über die Zeit ändert. Ein zweites Netz, der Vocoder, verwandelt dieses Bild in Audio. Viele neuere Modelle überspringen das Spektrogramm und sagen Audio-Tokens direkt voraus, so wie ein Sprachmodell Wörter vorhersagt.
Ein TTS-Modell wählen
Für Entwickler zählen Natürlichkeit, Latenz bis zum ersten Audio, Sprachabdeckung, Kontrolle über Tempo und Emotion sowie der Preis pro Zeichen. Gehostete Dienste wie ElevenLabs konkurrieren mit kleinen offenen Modellen wie Kokoro 82M, die auf einem Laptop laufen.
Verwandte Begriffe
TTS ist die Umkehrung von Speech-to-Text. TTS so klingen zu lassen wie eine bestimmte Person, ist Voice Cloning. Ein Speech-to-Speech-Modell kann den Textschritt in einem Live-Gespräch ganz ersetzen.
Grenzen
TTS kann Namen, Zahlen und Abkürzungen falsch aussprechen, und bei langen Passagen kann der Ton abdriften. Ausgabe, die menschlich klingt, kann missbraucht werden, um sich als andere Personen auszugeben.
Verwandte Begriffe
- Speech-to-Text
- Speech-to-Text (Spracherkennung), auch Automatic Speech Recognition (ASR) genannt, ist Software, die gesprochenes Audio in geschriebenen Text umwandelt. Sie steckt hinter Transkription, Untertiteln, Sprachbefehlen und der zuhörenden Hälfte von Voice Agents.
- Voice Cloning
- Voice Cloning (Stimmklonen) ist der Einsatz von KI, um ein Text-to-Speech-System mit der Stimme einer bestimmten Person sprechen zu lassen, gelernt aus einer Aufnahme dieser Person. Manche Systeme brauchen nur eine kurze Probe.
- Speech-to-Speech-Modell
- Ein Speech-to-Speech-Modell nimmt gesprochenes Audio auf und gibt direkt gesprochenes Audio aus, ohne die Sprache zuerst in Text und zurück umzuwandeln. Es wird für Sprachgespräche in Echtzeit und Übersetzung genutzt.
- Voice Agent
- Ein Voice Agent (Sprachagent) ist ein KI-Agent, der in Echtzeit ein gesprochenes Gespräch führt: Er hört einer Person zu, entscheidet, was er sagen oder tun soll, und antwortet mit einer synthetischen Stimme, oft über eine Telefonleitung oder in einer App.
- Text-to-Music
- Text-to-Music ist die Aufgabe, Musik als Audio aus einer geschriebenen Beschreibung zu erzeugen, etwa Genre, Stimmung, Instrumente und Tempo. Manche Systeme schreiben und singen auch Liedtexte.