Text-to-Speech

Was ist Text-to-Speech?

Text-to-Speech (TTS) ist die künstliche Erzeugung menschlicher Sprache aus geschriebenem Text. Ein TTS-System wandelt normalen Fließtext in hörbare Sprache um; verwandte Systeme setzen auch symbolische Darstellungen wie Lautschrift in Klang um. TTS ist ein Teilgebiet der Sprachsynthese und bildet das Gegenstück zur Spracherkennung (Speech-to-Text).

Wie funktioniert ein TTS-System?

Klassisch besteht ein TTS-System aus zwei Teilen. Das Front-End analysiert den Text: Es normalisiert Zahlen, Abkürzungen und Symbole zu ausgeschriebenen Wörtern, ordnet jedem Wort eine Lautschrift zu und gliedert den Text in prosodische Einheiten wie Phrasen und Sätze. Das Back-End – der eigentliche Synthesizer – wandelt diese symbolische Darstellung in Klang um und berechnet dabei die Zielprosodie, also Tonhöhenverlauf und Lautdauern.

Welche Syntheseverfahren gibt es?

Historisch wurden mehrere Ansätze genutzt. Die konkatenative Synthese fügt aufgenommene Sprachbausteine zu neuen Äußerungen zusammen und klingt natürlich, kann aber hörbare Übergänge erzeugen. Die Formantsynthese verwendet keine menschlichen Aufnahmen, sondern erzeugt Klang über ein akustisches Modell; sie bleibt auch bei hohem Tempo verständlich. Moderne Systeme setzen auf Deep Learning: Neuronale Netze werden mit tausenden Stunden Sprachaufnahmen trainiert und erzeugen die Audiowellenform direkt aus dem Text. Erste computerbasierte Sprachsynthese entstand bereits in den späten 1950er-Jahren; die heutige Natürlichkeit ist jedoch erst mit datengetriebenen neuronalen Modellen erreicht worden.

Wozu wird TTS beim Lernen genutzt?

TTS macht Inhalte über mehrere Kanäle zugänglich. Lerntexte, Zusammenfassungen oder Karteikarten lassen sich vorlesen und unterwegs hören, was das Wiederholen erleichtert und Menschen mit Sehbehinderung oder Leseschwäche unterstützt. Weil Hören und Lesen unterschiedliche Verarbeitungswege ansprechen, kann die Kombination beider Kanäle das Einprägen zusätzlich unterstützen. In Lern-Apps bildet neuronales TTS die Grundlage dafür, aus eigenen Unterlagen podcastähnliche Audioformate zu erzeugen. Die Sprachqualität moderner Modelle ist inzwischen so hoch, dass geübte Hörer die künstliche Stimme kaum von einer echten Aufnahme unterscheiden.