Text-to-Speech

Text-to-Speech im Überblick

Text-to-Speech (TTS) wandelt geschriebenen Text in gesprochene Sprache um. Moderne KI-Modelle klingen dabei so natürlich, dass sie kaum von echten Menschen zu unterscheiden sind.

Evolution von TTS:

1990er: "Hal-lo. Ich. Bin. Ein. Com-pu-ter."
        → Roboterhaft, unnatürlich

2010er: "Hallo, ich bin ein Computer."
        → Besser, aber noch erkennbar synthetisch

Heute:  "Hallo! Ich bin ein Computer – und das klingt 
         ziemlich natürlich, oder?"
        → Emotionen, Pausen, natürliche Betonung

Aktuelle TTS-Dienste:

Technisch betrachtet

OpenAI TTS API

from openai import OpenAI

client = OpenAI()

response = client.audio.speech.create(
    model="tts-1-hd",  # oder "tts-1" für schneller
    voice="nova",  # alloy, echo, fable, onyx, nova, shimmer
    input="Hallo, das ist ein Test der Text-to-Speech API.",
    speed=1.0,  # 0.25 bis 4.0
)

# Als Datei speichern
response.stream_to_file("output.mp3")

ElevenLabs

from elevenlabs import generate, set_api_key

set_api_key("YOUR_API_KEY")

audio = generate(
    text="Willkommen zu unserem Podcast!",
    voice="Rachel",  # Oder Voice ID
    model="eleven_multilingual_v2",
)

with open("output.mp3", "wb") as f:
    f.write(audio)

Voice Cloning:

from elevenlabs import clone, generate

# Stimme klonen (braucht Audio-Samples)
voice = clone(
    name="Meine Stimme",
    files=["sample1.mp3", "sample2.mp3"],
    description="Meine geklonte Stimme"
)

# Mit geklonter Stimme generieren
audio = generate(
    text="Das bin ich – oder doch nicht?",
    voice=voice,
)

Lokale TTS mit Coqui

from TTS.api import TTS

# Modell laden
tts = TTS("tts_models/de/thorsten/tacotron2-DDC")

# Text zu Audio
tts.tts_to_file(
    text="Hallo, das ist lokale Sprachsynthese.",
    file_path="output.wav"
)

# Mit Voice Cloning
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2")
tts.tts_to_file(
    text="Das klingt wie ich!",
    speaker_wav="my_voice_sample.wav",
    language="de",
    file_path="output.wav"
)

SSML für Kontrolle

<speak>
  Willkommen! 
  <break time="500ms"/>
  
  <prosody rate="slow" pitch="+2st">
    Das ist langsamer und höher.
  </prosody>
  
  <emphasis level="strong">
    Das ist wichtig!
  </emphasis>
  
  <say-as interpret-as="date">2026-03-11</say-as>
</speak>

Streaming für Echtzeit

from elevenlabs import stream

# Streaming für niedrige Latenz
audio_stream = stream(
    text="Dies wird in Echtzeit gestreamt...",
    voice="Rachel",
)

# Direkt abspielen
from elevenlabs import play
play(audio_stream)

Qualitätsvergleich

Ethische Aspekte

• Consent: Stimmen nur mit Erlaubnis klonen
• Deepfakes: Missbrauchspotenzial für Betrug
• Kennzeichnung: KI-generierte Stimmen markieren
• Rechtlich: Stimmen können geschützt sein