Microsoft SAM: die alte Computerstimme und was du heute nutzt

Wer in den 2000ern online aufgewachsen ist, kennt Computersprache vor allem von einer Stimme: Microsoft SAM, der männlichen Standardstimme von Windows 2000 und Windows XP, die in unzähligen frühen YouTube-Sketchen sprach. Wer „TTS SAM“ oder „Computerstimme“ sucht, meint meist genau diesen Klang.

Sie war verständlich, ein wenig metallisch und flach. Dieser Makel wurde zum Markenzeichen: Ein ausdrucksloser Roboter, der etwas Absurdes vorliest, war der halbe Witz.

Nicht als offizielle Stimme in aktuellem Windows. SAM war Teil von Windows selbst und wurde mit Windows Vista als Standardstimme ersetzt. Was heute als „SAM TTS Download“ oder „Microsoft SAM portable“ kursiert, sind entweder Nachbauten oder unbekannte Installationsprogramme, keine Microsoft-Produkte.

Und genau das ist die Art Download, die am häufigsten Infektionen mitbringt. In einer Studie der National University of Singapore im Auftrag von Microsoft setzten 100 % der untersuchten Seiten, die Raubkopien anboten, Nutzer Sicherheitsrisiken aus, und Trojaner waren der häufigste Schadcode in den heruntergeladenen Kopien (51 % der Infektionen).

• Installationsprogramme, die dich bitten, den Virenscanner auszuschalten, „damit der Crack läuft“.
• Ausführbare Dateien, versteckt in einem passwortgeschützten .zip oder .rar.
• Programme von 2008, die sich unter aktuellem Windows nicht sauber installieren lassen und „Patches“ verlangen.

Entscheide zuerst, was du eigentlich willst: den exakten Roboterklang der alten Videos oder einen Sprecher, der dein Skript klar liest. Beides zugleich bekommst du nirgends.

Nachbauen kannst du den Ton: ein ernster, gleichmäßiger Sprecher, der alles mit derselben Ruhe vorträgt. So geht das in Voizum:

1. 1Öffne „Stimmen“ und filtere nach Deutsch. Hör dir die Sprachprobe mehrerer an, bevor du wählst; für einen nüchternen Ton such eine tiefe, ruhige männliche Stimme.
2. 2Im Dialogmodus kannst du den „Ausdruck“ Richtung „Zurückhaltend“ stellen. Die Stimme legt weniger Gefühl hinein und klingt neutraler, wie ein Sprecher, der liest, ohne zu spielen.
3. 3Stelle das Tempo ein. Es reicht von 0.5× bis 2×: Diese Videos wirkten oft etwas flott, probier also, es leicht über 1× zu setzen.
4. 4Schreibe Pausen dorthin, wo du einen dramatischen Moment willst: <#1.5#> zwischen zwei Sätzen fügt anderthalb Sekunden ein, bis höchstens 10 Sekunden.
5. 5Beträge und Daten werden von allein gut gelesen; Abkürzungen schreibst du so, wie sie klingen sollen. Steht dort „SAM“, kann es anders herauskommen als gedacht; „Es A Em“ lässt keinen Zweifel.
6. 6Erstelle zuerst ein kurzes Stück und hör es dir an. Passt der Ton, erstelle das ganze Skript, lade die MP3 herunter und zieh sie in den Schnitt.

Es gab zwei Arten, Sprache zu erzeugen. Die einfache setzte die Laute aus Regeln zusammen, ohne echte Aufnahmen: Das ergibt den monotonen, fremden Klang der frühen Programme. Die aufwendigere, die zum Beispiel der Loquendo-Stimme Jorge zugrunde lag, schnitt stundenlange Aufnahmen eines Sprechers in winzige Stücke (Silben, Übergänge zwischen Lauten) und klebte für deinen Text passende Stücke aneinander. Sie heißt Unit-Selection-Synthese.

Hörbar blieben in beiden Fällen die Nähte, und die Satzmelodie kam aus festen Regeln, nicht aus dem Sinn des Satzes. Eine Frage und eine Aussage klangen fast gleich.

Eine KI-Stimme klebt nichts zusammen. Sie hat aus sehr vielen Stunden Sprache gelernt, wie jemand beim Lesen klingt, und erzeugt jeden Satz als Ganzes, passend zu dem, was er sagt: wo die Betonung liegt, wie das Ende einer Aussage fällt und das einer Frage steigt. Es gibt keine Nähte, und der Rhythmus ändert sich von Satz zu Satz.

Loquendo, die Stimme, die in spanischsprachigen YouTube-Videos zum Meme wurde, spielt in Deutschland kaum eine Rolle. Kurz zur Einordnung: Loquendo war ein Unternehmen aus Turin, das 2011 an Nuance verkauft wurde und seither nicht mehr einzeln vertrieben wird. Die bekannten Stimmen (Jorge, Carmen) sind spanisch.

Für ein Video von zehn Minuten rechne mit rund 10.000 Zeichen Skript. Danach feinjustierst du über das Tempo, denn jede Stimme hat ihren eigenen Rhythmus, und der beeinflusst die Dauer stärker als der Text selbst.

Bei Voizum kosten 1.000 Zeichen 60 Credits, ohne Abo, und gekaufte Credits verfallen nicht. Mit der Google-Anmeldung bekommst du jeden Monat 600 Gratis-Credits, etwa 10 Minuten Audio: genug, um mehrere Stimmen mit dem Anfang deines Skripts zu testen, bevor du bezahlst.

Eine KI-Stimme für deine Videos zu nutzen, auch kommerziell und in monetarisierten Videos, ist erlaubt. Nicht erlaubt ist, sich damit als eine andere Person auszugeben, oder illegale Inhalte.

• Stelle dein Video nicht als mit Microsoft SAM oder Loquendo gemacht dar und nutze ihre Logos nicht: Es sind Marken anderer Unternehmen.
• Versuche nicht, die Stimme eines bekannten YouTubers oder Sprechers nachzubilden: Eine echte Person ohne ihre Erlaubnis zu imitieren ist nicht erlaubt.
• Lade keine „SAM-TTS“-Installationsprogramme von beliebigen Seiten herunter: Denk an die Studie aus Singapur weiter oben.