Ratgeber
Realistische KI-Stimme: so klingt Text to Speech menschlich
Das Voizum-Team · Aktualisiert · 4 Min. Lesezeit
Eine KI-Stimme klingt menschlich, wenn der Text zum Hören geschrieben ist und die Stimme zu dem passt, was sie liest. Der Klang heutiger Stimmen ist nicht mehr das Problem. Was eine synthetische Stimme verrät, sind Pausen mitten im Gedanken, Sätze mit vierzig Wörtern und ein Tempo, das nicht zur Stimme passt. Hier steht, welche Stimme du nimmst, wie du den Text vorbereitest und welche Einstellungen für Werbung, Tutorial oder Hörbuch passen.
Bevor du weiterliest: hör, wie es klingt
Drück auf Play. Jede dieser Stimmen liest den Text, den du schreibst.
Wenn du dich mit Google anmeldest, schenken wir dir jeden Monat 600 Credits: etwa 10 Minuten Audio.
Warum klingt eine KI-Stimme wie ein Roboter?
Meist hakt es am Text. Ein Schachtelsatz mit drei Einschüben zwingt jeden Sprecher, Mensch oder nicht, an der falschen Stelle Luft zu holen. Ein Absatz aus einem PDF bringt Seitenzahlen und Trennstriche mit. Ein Kürzel in Großbuchstaben wird Buchstabe für Buchstabe gelesen.
Danach fällt das Tempo auf. Jede Stimme hat ihr natürliches Sprechtempo, und wer sie schneller oder langsamer zwingt, macht sie schneller mechanisch als mit allem anderen.
Nimm eine Stimme, die zu deinem Text passt
Erzählstimmen lesen ruhig und legen das Gewicht ans Satzende: gut für Dokus, Kurse und Hörbücher. Gesprächige Stimmen klingen, als würde dir jemand etwas erzählen: passend für kurze Videos, Podcasts und Werbung. Eine Erzählstimme auf TikTok klingt wie die Tagesschau; eine gesprächige Stimme, die ein ganzes Kapitel liest, ermüdet.
Achte auch auf die Aussprache. Für ein Publikum in Deutschland, Österreich oder der Schweiz eine deutsche Stimme mit neutraler Aussprache: die Färbung hört man zuerst, noch vor der Qualität.
| Textart | Stimmstil | Tempo | Pausen im Text |
|---|---|---|---|
| Werbespot | Gesprächig oder werblich | 1,0× bis 1,1× | Nur Punkt und Komma |
| YouTube-Video oder TikTok | Gesprächig | 1,0× bis 1,1× | Nur Punkt und Komma |
| Tutorial oder Kurs | Erzählend, nahbar | 0,95× bis 1,0× | <#1#> zwischen Abschnitten |
| Doku oder Hörbuch | Erzählend | 0,9× bis 1,0× | <#1.5#> zwischen Abschnitten |
So schreibst du einen Text, der natürlich klingt
Zehn Minuten am Text ändern das Ergebnis mehr als jede Einstellung:
- Sätze mit 15 bis 20 Wörtern. Braucht einer zwei Kommas und eine Klammer, teil ihn in zwei.
- Satzzeichen setzen die Pausen: ein Komma ist ein kurzes Atmen, ein Punkt eine volle Pause. Soll die Stimme vor einer Zahl innehalten, setz davor einen Punkt.
- Fragen und Ausrufe ändern die Betonung. Setz sie, wo sie hingehören; ein Ausrufezeichen hinter jedem Satz klingt nach Teleshopping.
- Kürzel und Namen so schreiben, wie man sie spricht. Soll «DSGVO» als Wort und nicht buchstabiert klingen, oder umgekehrt, schreib es so.
- Raus, was nur auf Papier existiert: Klammern, Fußnoten, «siehe oben», Seitenzahlen.
- Ein Gedanke pro Satz. Was geschrieben ein Nebensatz löst, klingt gesprochen als zwei Sätze besser.
Tempo und Pausen: was man am meisten hört
Das Tempo reicht von 0.5× bis 2×, aber natürlich klingt eine Stimme nur in einem viel engeren Bereich: meist zwischen 0,9× und 1,1×. Außerhalb hört man es, vor allem beim Beschleunigen.
Die normalen Pausen setzt das Modell anhand der Satzzeichen. Für eine längere, etwa zwischen zwei Abschnitten, schreib <#1#> oder <#1.5#> (Sekunden) zwischen zwei Sätze. Und um zu ändern, wie ein Abschnitt klingt, nimm eine Emotion wie <#traurig#> oder <#flustern#>. Nichts davon wird vorgelesen oder berechnet.
Die menschlichste Stimme ist deine eigene, geklont
Trägt das Audio deinen Namen, deinen Kanal oder deine Marke, klingt nichts echter als deine eigene Stimme. Eine saubere Aufnahme von 15 bis 60 Sekunden reicht für eine Stimme, die jeden Text so liest wie du. Das kostet 199 Credits und setzt voraus, dass du schon einmal ein Paket gekauft hast.
Am meisten zählt die Aufnahme: ein Raum ohne Hall, das Mikro eine Handbreit entfernt, und so sprechen, wie du immer sprichst, nicht wie beim Vorlesen.
Gibt es realistische Text to Speech kostenlos?
Zum sofortigen Anhören ja: Microsoft Edge und der Lesemodus von Chrome lesen mit natürlichen Stimmen vor, kostenlos. Speichern lässt sich das Audio aber nicht, für ein Video oder einen Podcast taugt es also nicht.
Für die MP3 bekommst du bei Voizum jeden Monat 600 Credits geschenkt, wenn du dich mit Google anmeldest, etwa 10 Minuten Audio, ohne Karte. Genug, um mehrere Stimmen mit deinem eigenen Text zu testen.
So bekommst du in Voizum eine realistische Stimme
Vom Text zur MP3 in fünf Schritten:
- 1Füg den überarbeiteten Text ein (kurze Sätze, Kürzel so, wie man sie spricht).
- 2Filter die Stimmen nach Sprache, Geschlecht, Alter und Stil und hör dir zwei oder drei an, bevor du dich entscheidest.
- 3Stell das Tempo ein, setz die Pausen nach der Tabelle oben und spiel die Stimme ab, um den Unterschied zu hören.
- 4Klick auf Erstellen: Die Kosten in Credits siehst du, bevor etwas abgebucht wird.
- 5Anhören und MP3 herunterladen. Passt ein Satz nicht, änder seine Satzzeichen und erzeug nur ihn neu.
Was es kostet
Je 1.000 Zeichen kosten 60 Credits, eine Minute Audio also etwa 60 Credits. Kein Abo, und gekaufte Credits verfallen nicht.
Verwendete Quellen
Helfen dir unsere Ratgeber? Füge Voizum als bevorzugte Quelle hinzu, dann zeigt dir Google mehr von unseren Inhalten.
Bei Google hinzufügen ↗