Zum Inhalt springen

Sprache und Dokumente

Sprachsynthese (Text-to-Speech)

Sprachsynthese, englisch Text-to-Speech (TTS), erzeugt aus geschriebenem Text künstliche gesprochene Sprache. Heutige Verfahren nutzen neuronale Netze und klingen in vielen Sprachen kaum noch nach Maschine.

Auch: Text-to-Speech, TTS, synthetische Stimme, Stimmsynthese

Sprachsynthese ist die Gegenrichtung der Spracherkennung: Aus Text wird Stimme. Jahrzehntelang war das Ergebnis leicht als Maschine zu erkennen, abgehackt, mit falscher Betonung und gleichförmiger Satzmelodie. Das hat sich grundlegend geändert. Heutige Stimmen werden in Navigationsgeräten, Vorlesefunktionen, Telefonansagen und Voicebots eingesetzt, und viele Hörer bemerken nicht mehr ohne Weiteres, dass niemand spricht.

Vom Text zur Schallwelle

Microsoft beschreibt den Aufbau seiner neuronalen Stimmen in drei Stufen, die sich so auch bei anderen Anbietern finden.

Textanalyse. Zuerst wird der Text in eine Folge von Phonemen übersetzt, also von Lauteinheiten, die festlegen, wie die Wörter ausgesprochen werden. Dabei fallen Entscheidungen, die für Menschen selbstverständlich sind: Ist „1.“ eine Zahl oder ein Datum? Wird „Dr.“ als „Doktor“ gelesen? Wird „Modern“ wie das Adjektiv oder wie das Verb betont?

Akustisches Modell. Ein neuronales Netz sagt aus der Phonemfolge die akustischen Merkmale voraus: Klangfarbe, Sprechstil, Tempo, Satzmelodie und Betonung.

Vocoder. Ein zweites Netz erzeugt aus diesen Merkmalen das hörbare Signal. Den Durchbruch für diese Stufe markierte 2016 WaveNet. Das Modell erzeugt die Schallwelle Abtastwert für Abtastwert, und menschliche Hörer bewerteten das Ergebnis in den Tests der Autoren als deutlich natürlicher als die besten damaligen Verfahren.

Für Anwender heißt das: Die Natürlichkeit der Stimme ist heute selten das Problem. Fehler entstehen fast immer in der ersten Stufe, bei Aussprache und Betonung.

Aussprache steuern

Für Geschäftsanwendungen sind Wörter entscheidend, die ein allgemeines Modell nicht kennt: Produktnamen, Ortsnamen, Abkürzungen, Artikelnummern. Dafür gibt es seit 2010 einen offenen Standard des W3C, die Speech Synthesis Markup Language (SSML). Sie ist eine XML-basierte Auszeichnungssprache, mit der sich Aussprache, Lautstärke, Tonhöhe und Sprechgeschwindigkeit plattformübergreifend steuern lassen. Mit dem Element „say-as“ legt man fest, ob eine Ziffernfolge als Datum, Uhrzeit, Zahl oder Einzelziffern gelesen wird.

Ein Beispiel, warum das zählt: Eine Kundennummer wie 40711 soll am Telefon als „vier, null, sieben, eins, eins“ ausgegeben werden, nicht als „vierzigtausendsiebenhundertelf“. Ein Termin wie 03.10. soll „dritter Oktober“ heißen. Solche Regeln gehören in die Anwendung, nicht in die Hoffnung, dass das Modell es richtig rät. Microsoft weist darauf hin, dass nicht jede Stimme alle SSML-Elemente unterstützt. Das sollte man vor der Wahl einer Stimme prüfen.

Fertige Stimme oder eigene

Die großen Anbieter liefern Standardstimmen in vielen Sprachen. Microsoft gibt für seinen Dienst über 100 Sprachen und Regionen an. Für die meisten Anwendungen genügt eine solche Stimme.

Eine eigene Stimme, etwa die einer bekannten Sprecherin als Markenstimme, ist aufwendiger und mit Auflagen verbunden. Microsoft gewährt den Zugang zu benutzerdefinierten Stimmen nur nach Prüfung von Berechtigung und Verwendungszweck. Vor dem Training muss eine Aufnahme vorliegen, in der die Sprecherin eine Einwilligungserklärung vorliest, dass ihre Stimmdaten dafür verwendet werden dürfen. Empfohlen werden Aufnahmen im Studio mit gleichbleibender Lautstärke und Sprechweise, weil die Qualität des Modells stark von den Trainingsdaten abhängt.

Diese Hürden haben einen Grund. Eine täuschend echte Stimme einer realen Person lässt sich missbrauchen, für Betrugsanrufe ebenso wie für gefälschte Aussagen. Wer eine Stimme nachbilden lässt, braucht eine klare, schriftlich festgehaltene Einwilligung und eine Vereinbarung darüber, wofür und wie lange die Stimme verwendet werden darf.

Was die KI-Verordnung verlangt

Seit dem 2. August 2026 gelten die Transparenzpflichten aus Artikel 50 der europäischen KI-Verordnung. Für Sprachsynthese sind zwei Absätze einschlägig.

Kennzeichnung durch den Anbieter. Anbieter von KI-Systemen, die synthetische Audioinhalte erzeugen, müssen nach Artikel 50 Absatz 2 sicherstellen, dass die Ausgaben in einem maschinenlesbaren Format gekennzeichnet und als künstlich erzeugt erkennbar sind. Mit der Änderungsverordnung zur KI-Verordnung, dem sogenannten AI Omnibus, der am 27. Juli 2026 in Kraft getreten ist, wurde in Artikel 111 Absatz 4 eine Übergangsfrist eingefügt: Anbieter von Systemen, die schon vor dem 2. August 2026 auf dem Markt waren, müssen die Kennzeichnung bis zum 2. Dezember 2026 umsetzen. Diese Pflicht trifft in erster Linie den Hersteller der Technik.

Offenlegung durch den Betreiber. Wer ein System einsetzt, das Toninhalte erzeugt, die ein Deepfake sind, muss nach Artikel 50 Absatz 4 offenlegen, dass sie künstlich erzeugt wurden. Ein Deepfake ist nach der Verordnung ein KI-erzeugter Inhalt, der wirklichen Personen oder Ereignissen ähnelt und fälschlich als echt erscheinen würde. Eine nachgebildete Stimme einer realen Person fällt schnell darunter, eine erkennbar neutrale Ansagestimme eher nicht.

Für Dialogsysteme kommt Artikel 50 Absatz 1 hinzu: Menschen müssen erfahren, dass sie mit einem KI-System interagieren, sofern das nicht offensichtlich ist. Mehr dazu im Eintrag zum Voicebot. Die Abgrenzung im Einzelfall ist neu und noch wenig durch Leitlinien und Rechtsprechung geklärt. Bei Zweifeln lohnt eine rechtliche Prüfung, und die einfachste Lösung ist meist eine klare Ansage zu Beginn.

Worauf es in der Praxis ankommt

  • Antwortzeit. Im Telefonat muss die Stimme beginnen, bevor der Satz vollständig berechnet ist. Echtzeit-Synthese und gestückelte Ausgabe sind dafür wichtiger als die letzte Feinheit im Klang.
  • Abrechnung. Microsoft rechnet nach Zeichen ab, einschließlich Leerzeichen, Satzzeichen und Teilen der SSML-Auszeichnung. Lange, wortreiche Ansagen kosten also mehr als knappe.
  • Konsistenz. Wer an mehreren Stellen synthetische Stimmen einsetzt, sollte dieselbe Stimme und dieselben Ausspracheregeln verwenden. Eine Hotline, die mal so, mal anders klingt, wirkt unzuverlässig.
  • Aussprachelexikon pflegen. Neue Produkte und Namen kommen laufend hinzu. Die Liste der Sonderfälle braucht eine verantwortliche Person, sonst liest die Hotline den neuen Produktnamen monatelang falsch vor.

Quellen

  1. Übersicht über die Sprachsynthese, Speech-Dienst, Microsoft Learn, 2026
  2. Benutzerdefinierte Sprachübersicht (Custom Voice), Microsoft Learn, 2026
  3. Speech Synthesis Markup Language (SSML) Version 1.1, World Wide Web Consortium (W3C), 2010
  4. WaveNet: A Generative Model for Raw Audio, van den Oord u. a., DeepMind, arXiv:1609.03499, 2016
  5. Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 50, Europäische Kommission, AI Act Service Desk
  6. Verordnung (EU) 2024/1689, Artikel 111 in der Fassung des AI Omnibus, Europäische Kommission, AI Act Service Desk
  7. AI Omnibus enters into force, Europäische Kommission, 2026

Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

Welcher Prozess kostet Ihr Team jeden Tag unnötig Zeit?

Bringen Sie einen konkreten Ablauf mit. In 45 Minuten klären wir, ob sich seine Automatisierung rechnet und was der nächste Schritt wäre.

Direkt mit einem Gründer · unverbindlich · ohne Verkaufsshow

Erst ein Prozess.
Dann der nächste.