Text in Sprache umwandeln mit KI: Schritt für Schritt

Du nutzt es, ohne darüber nachzudenken, wenn dir das Navi sagt, du sollst am nächsten Kreisverkehr abbiegen. Text zu Sprache, englisch Text to Speech (TTS), ist jedes System, das einen Text vorliest und dir den Ton zurückgibt.

Ältere Stimmen entstanden, indem Aufnahmeschnipsel aneinandergeklebt oder der Klang nach festen Regeln berechnet wurde. Daher der monotone Ton und die Brüche zwischen den Silben: Das System verstand den Satz nicht, es buchstabierte ihn.

Neuronale Stimmen lernen sprechen, indem sie tausende Stunden echter Menschen hören, und erzeugen die Schallwelle von Grund auf. Der Sprung wurde 2016 mit WaveNet gemessen. In Googles Tests bewerteten Hörerinnen und Hörer die Stimmen mit 4,1 von 5, über 20 % besser als Standardstimmen, und der Abstand zur menschlichen Sprache schrumpfte um mehr als 70 %. Seitdem entscheidet das Modell, wo es Luft holt und welches Wort es betont.

Bei der Wahl eines Tools geht es heute also nicht mehr darum, ob es „menschlich klingt“, sondern um Handfestes: wie viel Text es verarbeitet, ob du die MP3 herunterladen kannst, ob du sie kommerziell nutzen darfst und was jede Minute kostet.

Bevor du deinen Text in die erstbeste Website kopierst, prüfe diese sechs Punkte. Die letzten vier merkt man oft zu spät: wenn das Video schon geschnitten ist und sich zeigt, dass das Audio nicht heruntergeladen oder nicht monetarisiert werden darf.

Wir vergleichen pro Audiominute, jeweils mit dem günstigsten Plan, den du bei dem Anbieter buchen kannst. Wo der Preis in Zeichen angegeben ist, rechnen wir mit unserem gemessenen Durchschnitt von 1.000 Zeichen pro Minute in Minuten um.

Schau auf die letzte Spalte. Bei einem Abo verfällt, was du im Monat nicht verbrauchst, meistens. Bei einer Einmalzahlung bleibt es erhalten.

So machst du aus einem Text ein MP3-Audio, ohne etwas zu installieren:

1. 1Öffne den Generator. Füge den Text ein oder lade ein Dokument hoch (.txt, .md, .srt, .pdf, .docx). Ein einzelnes Audio fasst bis zu 600.000 Zeichen, etwa 10 Stunden Sprache.
2. 2Wähle eine der über 300 Stimmen der Stimmbibliothek und filtere nach Sprache, Akzent, Geschlecht oder Stil. Hör dir vorher die Sprachprobe an, und wenn du zwischen zwei Stimmen schwankst, erstelle mit jeder einen Absatz.
3. 3Die Sprache wird automatisch aus dem Text erkannt, in einer der 7 verfügbaren: Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Italienisch und Russisch.
4. 4Stelle die Geschwindigkeit (von 0.5× bis 2×), die Pause zwischen den Sätzen (bis zu 800 ms) und die Lautstärke ein. Du kannst dir die Einstellungen vor dem Erstellen anhören.
5. 5Klicke auf „Erstellen“. Vorher siehst du, wie viele Credits es kostet: 60 Credits pro 1.000 Zeichen (etwa 60 pro Audiominute), mindestens 100 pro Audio.
6. 6Höre dir das Ergebnis an und lade die MP3 herunter. Speichere sie auf deinem Rechner: Die Datei bleibt 4 Tage in deinem Verlauf.

Die Stimme liest, was dasteht, samt Satzzeichen. Die Zeichensetzung ist deine Regie, und was auf Papier mehrdeutig ist, etwa ein Datum oder eine Abkürzung, kann anders klingen als gedacht.

Die Stimme prägt das Ergebnis mehr als jede Einstellung. Wähle danach, wer zuhört und wie lange: Eine energiegeladene Stimme funktioniert in einem 30-Sekunden-Spot und ermüdet in einem Hörbuch von sechs Stunden.

Im Durchschnitt sind eine Audiominute etwa 1.000 Zeichen inklusive Leerzeichen. Aber die Stimme bestimmt mehr als der Text: Dasselbe Skript dauert mit der gemächlichsten Stimme fast 50 % länger als mit der flottesten, die wir gemessen haben.

Voizum liefert MP3 mono mit 96 kbit/s, das sich in jedem Player und Videoeditor öffnen lässt. Eine Stimme braucht nur einen Kanal, und bei dieser Bitrate hört man bei Sprache keinen Verlust. Jede Minute wiegt etwa 0,72 MB, eine Stunde etwa 43 MB.

Wenn eine Plattform mehr verlangt, erfüllt ein Export mit 192 kbit/s die Vorgabe, aber der Klang bleibt der der ursprünglichen MP3.

Bei Voizum gehört das Audio, das du erstellst, dir, auch für kommerzielle Zwecke: monetarisierte Videos, Werbung, Kurse oder Podcasts, ohne das Tool nennen zu müssen. Es gibt zwei Grenzen: Du darfst es nicht nutzen, um dich als jemand anderes auszugeben, und nicht für illegale Inhalte. Außerdem darfst du die Stimme einer anderen Person nicht ohne deren Erlaubnis klonen.

Und das verlangen die Plattformen:

• YouTube verlangt keinen Hinweis darauf, dass die Erzählung von einer KI stammt, wenn es ein Voiceover oder eine Synchronisation ist. Realistische Inhalte, die den Eindruck erwecken, eine echte Person habe etwas gesagt, was sie nicht gesagt hat, müssen aber gekennzeichnet werden.
• Zur Monetarisierung schließt YouTube „nicht authentische“ Inhalte aus: massenhaft produzierte, repetitive Videos ohne eigenen Beitrag. Die KI-Stimme ist dabei egal; was einen Kanal ausschließt, ist das kopierte Skript oder die tausendfach wiederholte Vorlage.
• Audible verlangt über ACX, dass Hörbücher von einem Menschen gesprochen werden, außer in den eigenen zugelassenen Programmen für synthetische Stimmen. Wenn dein Ziel Audible ist, kläre das, bevor du das ganze Buch produzierst.

Um einen Text einmal anzuhören, brauchst du keine Website. Microsoft Edge hat eine kostenlose Vorlesefunktion mit natürlichen Stimmen, und das Betriebssystem bringt einen eigenen Vorleser mit. Sie lesen allerdings live vor und liefern keine Datei.

Wenn du die MP3 brauchst, bekommst du mit deinem Google-Konto jeden Monat 600 Gratis-Credits, etwa 10 Minuten Audio, die du mit jeder Stimme der Stimmbibliothek nutzen kannst. Sie erneuern sich von selbst, werden nicht angesammelt und brauchen keine Karte.

Wenn du mehr brauchst, kaufst du Credits ohne Abo, und sie verfallen nicht. Die Gratis-Credits gelten für Audios auf der Website; Stimmklonen, die API und das Verketten von Audios nutzen gekaufte Credits.

Die, die man beim Anhören zuerst bemerkt:

• Den Text ungeprüft einfügen: seltsame Zeilenumbrüche, Seitenzahlen oder Formatierungsreste erzeugen Pausen an falscher Stelle oder werden mitgelesen.
• Die Stimme nach der 10-Sekunden-Demo wählen, ohne sie mit einem echten Absatz aus dem Skript zu testen.
• Abkürzungen, Kürzel und mehrdeutige Datumsangaben (10.2.2026) so lassen, wie sie im Dokument stehen, statt so, wie man sie spricht.
• Sätze über vier Zeilen: Auf Papier versteht man sie, im Audio verliert der Hörer das Subjekt.
• Ein langes Skript komplett erstellen, ohne vorher eine Minute anzuhören: Wenn Stimme oder Tempo nicht passen, zahlst du für alles.
• Die MP3 nicht herunterladen: Die Datei wird nach 4 Tagen aus dem Verlauf gelöscht.