# Wie funktioniert Text-to-Speech? Von der Schrift zum Klang URL: https://heartheweb.com/de/journal/wie-funktioniert-text-to-speech Type: blog Locale: de Published: 2026-10-29 Updated: 2026-10-30 --- > Ein klarer Überblick, wie Text-to-Speech funktioniert: Normalisierung, Aussprache, Prosodie und Vocoder, und was jede Stufe für die Art bedeutet, wie Sie zuhören. Wie funktioniert Text-to-Speech? In drei Schritten. Zuerst bereinigt die Software Ihren Text und legt fest, wie jedes Wort ausgesprochen wird. Danach sagt ein neuronales Modell Rhythmus, Tonhöhe und Timing des Satzes als Spektrogramm voraus. Zuletzt verwandelt ein Vocoder dieses Spektrogramm in eine Schallwelle, die Sie tatsächlich hören. Die ganze Kette läuft bei einem Artikel mit 1,000 Wörtern in wenigen Sekunden ab, deshalb können Sie einen Link einfügen und sofort auf Play drücken. ## Was passiert zwischen der Seite und Ihren Ohren? Stellen Sie sich das als Staffellauf mit vier Läufern vor. Der Text geht hinein. Der normalisierte Text wandert zur Aussprachestufe. Die Aussprache wandert zur Prosodiestufe. Die Prosodie wandert zum Wellenformgenerator. Am Ende kommt Audio heraus. Jede moderne Engine folgt einer Version dieser Staffel, von der Stimme in den Bedienungshilfen Ihres Telefons bis zu den Erzählern in Lese-Apps. Manche neueren Systeme fassen zwei oder drei Läufer in einem einzigen Netzwerk zusammen. Die Aufgaben verschwinden dabei nicht. Sie werden nur innerhalb eines einzigen Modells erledigt. `INPUT → "Dr. Voss zahlte $4.50 am 5/21." STAGE 1 → "Doktor Voss zahlte vier Dollar fünfzig am einundzwanzigsten Mai." STAGE 2 → /ˈdɑːktɚ vɔs .../ STAGE 3 → pitch, duration, energy per phoneme STAGE 4 → waveform, 22,050 to 48,000 samples per second`Das ist der ganze Trick. Der Rest dieses Textes beschreibt, was jeder Läufer tut, wo er scheitert und was Sie hören, wenn es passiert. ## Warum die erste Stufe, die Textnormalisierung, so wichtig ist Weil geschriebener Text nicht gleich sprechbarer Text ist. Eine Seite ist voller Zahlen, Datumsangaben, Abkürzungen, Währungssymbole, URLs, Fußnotenzeichen und Emojis. Keines davon hat eine offensichtliche Aussprache. Die Normalisierung löst all das auf. Aus "5/21/24" wird "am einundzwanzigsten Mai zweitausendvierundzwanzig". Aus "$4.50" wird "vier Dollar fünfzig". Aus "St." wird "Straße" oder "Sankt", je nachdem, was daneben steht. Ältere Engines erledigten das mit handgeschriebenen Regeln. Neuere mischen Regeln mit einem kleinen gelernten Modell für die mehrdeutigen Fälle. Genau hier gehen Artikel auf Weisen schief, die Sie sofort bemerken. Ein Produktname wie "iPhone 15 Pro Max" kann als "fünfzehn" oder als "eins fünf" gelesen werden, und das verändert den Satz. Eine Quellenangabe wie "[12]", mitten im Absatz laut vorgelesen, zerreißt den Gedanken. Gute Article-to-Audio-Werkzeuge entfernen Fußnotenmarker, überspringen Navigationstexte und entscheiden über Tabellen, bevor die Stimme überhaupt zu sprechen beginnt. Bei einem langen Text hören Sie den Unterschied in der ersten Minute. Stolpert der Erzähler über eine Zahl, ist die Vorstufe gescheitert, nicht die Stimme. ![Oszilloskop-Bildschirm mit einer glatten Sprachwellenform](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/heartheweb/2026-10/cddd3b-wave.webp) ## Woher weiß das System, wie jedes Wort ausgesprochen wird? Die englische Schreibweise ist ein schlechter Wegweiser für den Klang. "Though", "through", "tough" und "thought" teilen die meisten Buchstaben und fast keinen Laut. Deshalb braucht die Engine eine Aussprachestufe, meist Graphem-zu-Phonem-Umwandlung oder G2P genannt. Im Deutschen ist die Zuordnung zwar regelmäßiger, aber Eigennamen, Fremdwörter und Abkürzungen brechen die Regeln trotzdem. Ein Phonem ist die kleinste Lauteinheit, die Wörter voneinander unterscheidet. Der G2P-Schritt ordnet Buchstaben auf zwei Wegen Phoneme zu. Ein Aussprachewörterbuch deckt gängige Wörter und bekannte Ausnahmen ab. Ein gelerntes Modell rät den Rest, etwa einen Nachnamen, den es nie gesehen hat. Dann kommt der schwierige Teil, die Homographen. "übersetzen" heißt einmal "in eine andere Sprache bringen" und einmal "mit der Fähre ans andere Ufer bringen". Die Schreibweise ist identisch, die Betonung und der Sinn wandern. Das Modell muss den Satz rund um das Wort betrachten, deshalb nutzen moderne Engines kontextabhängige Netzwerke statt einfacher Nachschlagetabellen. Hier scheitert es weiterhin: - Eigennamen, besonders nichtdeutsche, in einem sonst deutschen Text. - Fachbegriffe und Akronyme, bei denen "SQL" als "Sequel" oder "S-Q-L" erscheinen kann. - Markennamen, die bewusst gegen die Schreibregeln verstoßen. Die meisten Engines lassen Sie eine eigene Aussprache hinterlegen. Nur wenige Leser tun das je. Wenn ein Wort den Erzähler immer wieder aus dem Tritt bringt, lohnt es sich, diese Einstellung zu suchen. ## Woher kommen Rhythmus und Betonung? Diese Stufe trennt eine flache Stimme von einer, der man vierzig Minuten lang zuhören kann. Sie heißt Prosodie: Betonung, Tempo, Pausen und Tonhöhenverlauf über einen ganzen Satz. Menschen erledigen das ohne nachzudenken. Wir heben die Tonhöhe am Ende einer Frage, werden vor einem Komma langsamer und betonen das Wort, das die Aussage trägt. Ein TTS-Modell muss all das allein aus dem Text vorhersagen. Für jedes Phonem schätzt es drei Werte: wie lange es dauert, wie hoch die Tonhöhe liegt und wie viel Energie es trägt. Dafür nutzt es die umgebenden Wörter, die Satzzeichen und die Position jedes Lauts innerhalb von Silbe, Wort und Satz. Satzzeichen sind das stärkste Signal, das das Modell bekommt. Ein Komma erzeugt eine kurze Pause, ein Punkt eine längere, ein Absatzwechsel eine noch längere. Deshalb klingt ein schlecht formatierter Artikel ohne Absätze oder mit einer Wand aus verschachtelten Anführungszeichen gehetzt, selbst mit einer ausgezeichneten Stimme. Eine Zahl sollten Sie sich merken. Ein typischer Erzähler spricht etwa 150 Wörter pro Minute. Ein Essay mit 3,000 Wörtern ergibt also rund 20 Minuten Audio. Die meisten Apps lassen die Wiedergabe auf 1.5x oder 2x beschleunigen, woraus derselbe Essay 13 bzw. 10 Minuten wird. Die Qualität der Prosodie entscheidet, ob 1.5x angenehm bleibt oder in Brei zerfällt. ## Was ist ein Vocoder, und warum braucht man ihn? Nach der Prosodieplanung hat das Modell einen Plan, aber noch keinen Klang. In den meisten neuronalen Systemen ist der Plan ein Mel-Spektrogramm: ein Bild davon, wie sich Energie über Frequenzen und Zeit verteilt, meist mit etwa 80 Frames pro Sekunde. Ein Spektrogramm ist kein Audio. Es verwirft die feinen Phasendetails, die eine Wellenform zur Wellenform machen. Deshalb muss ein zweites Modell, der Vocoder, eine Wellenform rekonstruieren, die dazu passt. Das bedeutet, jede Sekunde zehntausende Audiosamples zu erzeugen, jedes davon eine Zahl, die den Luftdruck in diesem Augenblick beschreibt. [WaveNet](https://deepmind.google/discover/blog/wavenet-a-generative-model-for-raw-audio/) von DeepMind, 2016 veröffentlicht, machte neuronales Vocoding bekannt. Es erzeugte rohes Audio Sample für Sample und klang deutlich natürlicher als alles Vorherige. Es war aber langsam. Spätere Vocoder wie HiFi-GAN erzeugen Audio parallel und laufen viele Male schneller als Echtzeit, was sofortige Wiedergabe auf einem Telefon möglich macht. Manche Systeme überspringen den mittleren Schritt. VITS, beschrieben in [diesem Paper von 2021](https://arxiv.org/abs/2106.06103), trainiert ein einziges Netzwerk, das direkt von Phonemen zur Wellenform geht. Weniger Übergaben bedeuten weniger Stellen, an denen sich Fehler stapeln. ## Wie wir von den Sprechspielzeugen der 1980er Jahre hierher kamen Sprachsynthese begann nicht mit neuronalen Netzen. Sie durchlief drei Epochen, und in älteren Screenreadern hört man noch Reste der ersten beiden. ![Sprachspielzeug aus den 1980er Jahren und Sprachsynthesizer-Platine auf einem Schreibtisch](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/heartheweb/2026-10/6ead20-vintage.webp) **Formant- und regelbasierte Synthese.** Ingenieure modellierten den Stimmtrakt mit Filtern und stellten die Parameter von Hand ein. Der Klang war verständlich und unverkennbar mechanisch. Das ist die Stimme früher Sprechspielzeuge und der ersten Screenreader-Generation. Viele blinde Nutzer lassen sich heute noch eine solche Stimme auf hohem Tempo vorlesen, weil sie schnell und berechenbar ist und sich zwischen Updates nie verändert. **Konkatenative oder Unit-Selection-Synthese.** Statt die Stimme zu modellieren, nahm man einen menschlichen Sprecher über Dutzende Stunden auf, zerschnitt das Audio in kleine Einheiten und setzte zur Laufzeit die passenden zusammen. Das klang deutlich menschlicher, aber mit hörbaren Nähten. Man hörte die Übergänge bei ungewöhnlichen Wörtern, und die Stimme konnte ihren Stil nicht ohne neue Aufnahmesitzung ändern. **Neuronale Synthese.** Der heutige Ansatz. Das Modell lernt die gesamte Abbildung aus einer großen Menge Aufnahmen und erzeugt Audio, statt es zusammenzusetzen. Stil, Tempo und Emotion werden steuerbar. Eine Stimme aus einer kurzen Probe zu klonen wurde möglich. Und die Nähte sind größtenteils verschwunden. Ein ehrlicher Vorbehalt. Neuronale Stimmen sind nicht perfekt. Sie können ein Wort halluzinieren, eine Silbe verschlucken oder einen Satz einebnen, der Betonung gebraucht hätte. Die Fehler sind seltener und fremdartiger als die alten, aber es gibt sie. Bei langen Dokumenten wählen wir lieber eine etwas schlichtere Stimme, die nie stolpert, als eine wunderschöne, die jeden fünfzigsten Satz verpatzt. ## Welche TTS-Werkzeuge zeigen diese Stufen in der Praxis? Verschiedene Produkte setzen unterschiedlich auf die Staffel. Hier einige, die sich lohnt zu kennen, jeweils mit einer ehrlichen Einschätzung. [Speechify](https://speechify.com) setzt auf App-Qualität und eine große Stimmbibliothek. Stark auf dem Smartphone, mit Importen aus vielen Quellen. Wenn Sie die größte Auswahl an Integrationen wollen, fangen Sie hier an. NaturalReader ist der schlichtere, ältere Name im Feld. Es läuft gleichmäßig bei Dokumenten und PDFs und ist eine vernünftige Wahl, wenn Ihre Vorlage Dateien sind statt Webartikel. ElevenLabs liegt am anderen Ende des Spektrums. Es ist zuerst eine Plattform zur Stimmerzeugung, mit starker Prosodie und Stimmklonen, und für Audio gebaut, das Sie veröffentlichen, nicht für eine Leseliste. Voice Dream Reader kennen viele Menschen mit eingeschränktem Sehvermögen bereits. Sie können die zugrunde liegende Stimm-Engine austauschen, Aussprachen anpassen und das Tempo in feinen Schritten einstellen. Damit wird die oben beschriebene Pipeline zu etwas, das Sie tatsächlich justieren können. Vergessen Sie die Idee, dass eines davon "die beste Stimme" hat. Was sich unterscheidet, ist die Vorstufe: wie sie einen Artikel bereinigen, was sie mit einer Tabelle tun, wie sie einen 5,000-Wörter-Text mit verschachtelten Anführungszeichen behandeln. Dort gelingt ein Lese-Workflow oder scheitert still und leise. ![Mann mit einem Ohrhörer wartet bei Dämmerung auf einem Bahnsteig](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/heartheweb/2026-10/6c18a0-commute.webp) ## Was ändert das an Ihrem Zuhören? Das Wissen um die Staffel gibt Ihnen drei praktische Handgriffe. - **Bereinigen Sie die Eingabe.** Entfernen Sie Werbung, Cookie-Banner und Fußnoten-Ballast, bevor Sie einen Artikel in Audio schicken. Der Lesemodus hilft. Die Vorstufe kann nur begrenzt reparieren. - **Passen Sie das Tempo an die Prosodie an.** Klingt eine Stimme bei 1.0x gut, bricht aber bei 1.5x, ist ihr Dauermodell die Schwachstelle. Probieren Sie eine andere Stimme, bevor Sie auf Tempo verzichten. - **Beheben Sie die Wiederholungstäter.** Wenn ein Name oder ein Akronym immer wieder falsch kommt, hinterlegen Sie einmal eine eigene Aussprache, statt es monatelang zu ertragen. Testen Sie außerdem mit Ihrem schwierigsten Artikel, nicht mit Ihrem besten. Ein sauberer Blogbeitrag mit 800 Wörtern beweist nichts. Ein dichter Text mit 4,000 Wörtern, Zahlen, Zitaten und einer Tabelle ist die eigentliche Prüfung. Bevor Ihr nächster Arbeitsweg beginnt, legen Sie einen langen und einen kurzen Text in die Warteschlange. Hören Sie die ersten zwei Minuten jedes Textes in normaler Geschwindigkeit und danach bei 1.5x. Sie werden die Stufen hören, die wir gerade behandelt haben, und Sie wissen dann, welcher Läufer den Stab fallen gelassen hat. ## FAQ ### Wie funktioniert Text-to-Speech in einfachen Worten? Die Software bereinigt den Text, legt fest, wie jedes Wort klingen soll, sagt Rhythmus und Tonhöhe voraus und erzeugt daraus eine Schallwelle. Den letzten Schritt übernimmt in modernen Systemen ein neuronaler Vocoder. ### Worin unterscheiden sich alte und neuronale Text-to-Speech-Systeme? Ältere Systeme nutzten handgestimmte Regeln oder setzten aufgenommene Fragmente zusammen, was hörbare Nähte hinterließ. Neuronale Systeme lernen aus vielen Stunden Sprache und erzeugen das Audio direkt, sodass Tempo und Betonung deutlich weniger mechanisch klingen. ### Warum spricht Text-to-Speech manche Wörter falsch aus? Die englische Schreibweise ist unregelmäßig, und Namen, Akronyme oder Homographen wie read und bass hängen vom Kontext ab. Rät die Aussprachestufe falsch, spricht der Erzähler das Wort falsch aus. Eigene Aussprache-Einstellungen beheben das meist. ### Wie schnell liest eine Text-to-Speech-Stimme? Ein typischer Erzähler spricht etwa 150 Wörter pro Minute bei normalem Tempo. Bei 1.5x sind es rund 225, sodass ein Artikel mit 3,000 Wörtern von etwa 20 Minuten auf etwa 13 Minuten schrumpft. ### Was ist ein Vocoder bei Text-to-Speech? Ein Vocoder wandelt ein Spektrogramm, also eine Karte der Frequenzen über die Zeit, in eine echte Audio-Wellenform um. HiFi-GAN und WaveNet sind bekannte Beispiele. ### Kann Text-to-Speech PDFs und Webartikel gleich gut vorlesen? Nicht immer. Webartikel enthalten Navigation und Werbung, PDFs haben Spalten, Kopfzeilen und Fußnoten. Die Werkzeuge unterscheiden sich darin, wie gut sie diesen Ballast entfernen, bevor die Stimme beginnt, und diese Bereinigung ist oft wichtiger als die Stimme selbst. ### Ist Text-to-Speech für Menschen mit eingeschränktem Sehvermögen nützlich? Ja. Es ermöglicht den Zugang zu geschriebenen Inhalten, ohne auf einen Bildschirm schauen zu müssen. Viele Nutzer setzen auf schnelle, schlichte Stimmen, weil sie berechenbar sind und sich leicht folgen lassen.