Synthese

Text-to-Speech online: kostenlos, direkt im Browser

Text einfügen, Stimme wählen, abspielen. Das Text-to-Speech von CastDub läuft im Browser: vierzig KI-Stimmen in neun Sprachen, ein MP3 zum Mitnehmen und ein Gratis-Tarif, der keine Kreditkarte verlangt. Gebaut ist es für Skripte, in denen mehrere Leute reden – für eine einzelne Erzählstimme funktioniert es genauso gut.

Auf einen Blick

Was es ist
Ein kostenloser KI-Stimmengenerator und Text-to-Speech-Werkzeug für Skripte: Es erkennt, wer spricht, gibt jeder Figur eine eigene Stimme, lässt dich die Emotion Zeile für Zeile führen und exportiert eine fertige Mischung – ein Hörspiel mit voller Besetzung statt eines Erzählers, der alle Rollen liest.
Was du hineingibst
Ein Skript, als Text eingefügt. Drehbuchformat, „Name: Zeile“ und gewöhnliche Prosa mit Redebegleitsätzen werden so gelesen, wie sie dastehen, ebenso die Gedankenstrich-Dialoge des Spanischen, Französischen, Portugiesischen und Russischen. Eine Zeile, die komplett in Klammern steht, gilt als Regieanweisung und wird nicht gesprochen. Einen Datei-Import gibt es nicht, füge also den Text ein, statt ein Dokument anzuhängen.
Was herauskommt
Eine gemischte MP3 in jedem Tarif. Ab Plus dazu SRT-Untertitel – aus deinem Skript geschrieben statt aus dem Ton transkribiert, deshalb stimmen Namen und Timings von Anfang an. Einzelspuren pro Figur, je eine Spur in voller Länge plus die Mischung, kommen als ZIP im Pro. Keinen WAV-Export.
Figuren und Grundstimmen
40 Figuren in der Bibliothek, jede mit Porträt, Charakterbild und Hörprobe. Dahinter liegen 10 Grundstimmen – 4 weibliche, 5 männliche, 1 androgyne – und es sind in jeder Sprache dieselben 10. Innerhalb eines Projekts bekommen zwei Figuren nicht dieselbe Grundstimme, solange nicht alle 10 vergeben sind: Eine Szene mit bis zu 10 Sprechenden trennt sich also sauber, darüber hinaus teilen sich zwei Figuren eine Stimme und werden über Charakterbild und die Regie jeder Zeile unterschieden. Du wählst die Figur, nicht die Grundstimme. Deine eigene Stimme kannst du klonen, indem du eine kurze Einwilligungserklärung vorliest – bis zu 3 pro Konto – und sie jeder Figur geben; eine geklonte Stimme liest in allen 9 Sprachen und folgt dem Tempo, spielt aber keine Emotionen oder Regieanweisungen.
Sprachen
9: English, 简体中文, 日本語, 한국어, Deutsch, Français, Español, Português, Русский. Jede Figur spielt in allen davon – eine Figur ist ein Charakterbild, keine einzelne Aufnahme – und die Sprache eines Projekts steht beim Anlegen fest. Außerhalb des Englischen bekommst du den verbreiteten Akzent der jeweiligen Sprache; regionale Akzente lassen sich nicht wählen und werden nicht zugesagt. Wir haben nicht für jede Sprache Muttersprachler alles abhören lassen, hör dir also erst deine eigenen Zeilen an, bevor du dich festlegst.
Emotion und Regie pro Zeile
Jede Zeile wird von einem KI-Sprecher nach einer ausgeschriebenen Regieanweisung gespielt, die 7 Emotionen (Neutral, Fröhlich, Traurig, Wütend, Angst, Flüstern, Aufgeregt) werden also gespielt und nicht mit Einstellungen nachgeahmt. Eine Grundemotion je Figur gibt es in jedem Tarif; Emotion Zeile für Zeile zu überschreiben, gibt es nur im Pro, und die 5-stufige Temporegelung (0.75×–1.25×) kommt mit Plus und Pro. Eine Zeile neu zu erzeugen, ergibt einen wirklich anderen Take bei gleicher Stimme, und wer eine Zeile ändert, lässt nur diese eine Zeile neu synthetisieren.
Preis und offene Beta
Ein Guthabenpunkt ist ein Zeichen Skript, und abgezogen wird nur beim Herunterladen – Erzeugen und Anhören kosten nichts, innerhalb einer Obergrenze von 30 Zeilen pro 24 Stunden im Free und bis zu 2,000 im Pro. Der Free-Tarif ist ein einmaliger Topf von 4,500 Guthaben, etwa 5 Minuten fertiges Audio, mit 2 Figuren pro Projekt. Die bezahlten Tarife kosten Basic $5, Plus $19, Pro $29 im Monat, jährlich 10% günstiger. Die Bezahlung ist noch nicht live: In der offenen Beta bekommt jedes Konto den vollen Pro-Funktionsumfang gratis, die kommerzielle Lizenz bleibt davon ausgenommen und kommt mit einem bezahlten Tarif, sobald die Tarife öffnen.
Was noch nicht geht
Klonen lässt sich nur die eigene Stimme, und eine geklonte Stimme liest den Text, ohne Emotionen oder Regieanweisungen zu spielen. Es gibt keinen Datei-Import, keinen WAV-Export, kein Aussprachewörterbuch, keine Tonhöhenregelung und keine Möglichkeit, eine bestimmte Grundstimme oder einen regionalen Akzent zu verlangen. In keiner Sprache gibt es echte Kinderstimmen: Kinderrollen werden von erwachsenen Sprechern gespielt, so wie der Animationsfilm es immer gehalten hat. Figuren existieren nur innerhalb eines Projekts und wandern nicht ins nächste.

Stimmen zum Ausprobieren

Noor

Noor

Newsreader clarity for exposition-heavy scenes

weiblicherwachsenUS-EnglischNachrichtenKlar
Stimme nehmen
Hale

Hale

Documentary narrator with a hand on the listener's shoulder

männlicherwachsenUS-EnglischErzählstimmeDoku
Stimme nehmen
Wren

Wren

Bedtime-story narrator, slow and warm, never wakes anyone up

weiblicherwachsenUS-EnglischErzählstimmeWarm
Stimme nehmen
Quill

Quill

YouTube explainer voice that never sounds bored

männlichjungUS-EnglischYouTubeKlar
Stimme nehmen
Dorian

Dorian

Audiobook baritone for literary fiction and slow reveals

männlicherwachsenUK-EnglischHörbuchTief
Stimme nehmen
Solène

Solène

Continental accent, unhurried, very expensive sounding

weiblicherwachsenUK-EnglischElegantAkzent
Stimme nehmen
Halcyon

Halcyon

Meditation-adjacent narrator for slow, quiet scenes

neutralerwachsenUS-EnglischRuhigBeruhigend
Stimme nehmen
Juno

Juno

Podcast host who thinks out loud and never reads a script

weiblichjungUS-EnglischPodcastDialogisch
Stimme nehmen

Ganze Bibliothek ansehen →

Was es kann

Läuft im Browser

Nichts herunterladen, nichts installieren. Studio in einem aktuellen Browser öffnen, Text einfügen, zuhören. Projekte hängen am Konto, also liegt ein Skript, das du am Bürorechner angefangen hast, abends auch zu Hause da.

Vierzig Stimmen, neun Sprachen

Jede Stimme spricht Deutsch, Englisch, Französisch, Russisch, Spanisch, Portugiesisch, Chinesisch, Japanisch und Koreanisch, und jede steht in jedem Tarif zur Verfügung, im Gratis-Tarif eingeschlossen. Du wählst nach Rolle statt nach Sprachkürzel: die Nachrichtenstimme, die Gutenachtgeschichte, der Hörbuch-Bariton.

MP3 zum Herunterladen

In jedem Tarif ein fertig gemischtes MP3, wahlweise ein ZIP mit einer MP3-Datei pro Zeile und einer CSV-Tabelle der Längen. Untertitel kommen ab Plus als SRT heraus. Einen WAV-Export gibt es nicht – MP3 ist das Format.

Mehr als eine Stimme, wenn der Text sie braucht

Schreib einen Namen und einen Doppelpunkt an den Zeilenanfang, und diese Zeile geht an eine zweite Stimme; alles andere bleibt bei der Erzählstimme. Gewöhnliches Text-to-Speech im Browser gibt dir eine Stimme pro Datei. Hier bekommst du eine Besetzung, sobald aus dem Text ein Gespräch wird.

Regie in der Zeile

Eine Klammer am Zeilenanfang – (flüsternd), (schnell) – wird gespielt statt vorgelesen. In Plus und Pro hat jede Zeile ihr eigenes Tempo, in Pro ihre eigene Emotion. Satzzeichen sind in jedem Tarif deine Taktsteuerung: Ein Punkt hält an, ein Zeilenumbruch hält länger an.

Gratis-Tarif, keine Kreditkarte

Ein einmaliges Startguthaben, das für rund fünf Minuten fertiges deutsches Audio reicht – und Erzeugen und Anhören zehren nicht daran, nur das Herunterladen tut das. Dazu 30 erzeugte Zeilen pro Tag. Die Demo auf der Startseite läuft sogar ganz ohne Konto.

So geht’s

  1. Text einfügen

    Ein Absatz oder ein ganzes Skript, als reiner Text. Einen Datei-Upload gibt es nicht, also kopier den Text aus dem Dokument heraus. Ein Name mit Doppelpunkt davor markiert eine zweite sprechende Figur; lass ihn weg, wenn nur eine Stimme lesen soll.

  2. Stimme wählen

    Filtere die vierzig Charaktere nach Geschlecht, Alter und Stil und hör sie an deinem eigenen ersten Satz ab, nicht am Beispieltext. Eine Stimme, die zum Beispieltext passt und zu deinem nicht, ist die häufigste Art, zehn Minuten zu verlieren.

  3. Zeile für Zeile hören

    Jede Zeile wird einzeln erzeugt und braucht ein paar Sekunden; beim Erzeugen des ganzen Skripts laufen mehrere Zeilen nebeneinander. Hör die ersten paar an, bevor du den Rest anstößt.

  4. Im Text korrigieren

    Einen falsch betonten Namen schreibst du so, wie er klingt; einen Satz, der zu schnell durchläuft, trennst du; eine Zahl, die auf eine bestimmte Art gelesen werden muss, schreibst du aus. Eine Aussprache-Einstellung gibt es nicht, und du wirst sie nicht vermissen.

  5. Herunterladen

    Ein gemischtes MP3, oder eine Datei pro Zeile samt CSV-Tabelle der Längen. Das Herunterladen zehrt am Guthaben, das Zuhören nicht.

Was „kostenloses Text-to-Speech online“ meistens verschweigt

Werkzeuge, die auf diese Wortgruppe hin gefunden werden, sind meist auf eine von drei Arten gratis: gratis für ein paar hundert Zeichen, gratis mit genau den Stimmen hinter einer Bezahlschranke, die du haben wolltest, oder gratis bis zu dem Moment, in dem du herunterladen willst. Deshalb hier genau, welche Art das hier ist. Alle vierzig Charaktere stehen im Gratis-Tarif zur Verfügung. Anhören und neu Erzeugen kosten nichts. Das Guthaben – rund fünf Minuten fertiges deutsches Audio, auf Chinesisch, Japanisch und Koreanisch deutlich mehr, weil eine Minute dort weniger Zeichen braucht – wird nur beim Herunterladen abgezogen, und es ist ein einmaliges Startguthaben. Dazu kommen 30 erzeugte Zeilen pro Tag und eine Lizenz für den privaten, nicht kommerziellen Gebrauch.

Bezahltarife ändern die Zahlen, nicht die Stimmen: ein Guthaben, das monatlich nachläuft, statt des einmaligen, mehr Zeilen pro Tag, kommerzielle Nutzung und ab Plus das Tempo pro Zeile und Untertitel. Am Klang der Stimmen ändert Bezahlen nichts.

So bekommst du aus jedem Text-to-Speech eine natürliche Lesung

Text fürs Auge enthält Dinge, die das Vorlesen nicht überstehen: eingeschobene Nebensätze, drei Schachtelungen übereinander, ein Absatz, der darauf baut, dass man kurz zurückspringt. Zehn Minuten Anpassung – Sätze trennen, einen Einschub streichen, eine Aufzählung auf je eine Zeile legen – bringen mehr als jede Einstellung im Werkzeug. Das ist kein Trick gegen eine Beschränkung, sondern genau der Eingriff, um den eine Sprecherin vor der Aufnahme bitten würde.

Zwei Gewohnheiten zählen am meisten. Setz Satzzeichen bewusst, denn sie sind im Gratis-Tarif deine einzige und in jedem Tarif deine wichtigste Taktsteuerung. Und halte eine Absicht pro Zeile: Ein Satz, der von guter zu schlechter Nachricht kippt, wird als Mittelwert von beidem gesprochen – trenn ihn, und beide Hälften stimmen.

Zahlen, Datumsangaben und Abkürzungen folgen den Konventionen der Projektsprache und kommen meist richtig heraus; schief geht es bei Text, der Konventionen mischt. Ein deutsches Projekt liest 15.09.2026 als Datum – englische Vorlagen mit 09/15/2026 darin bringen es durcheinander. Hör zuerst die Zeilen mit Zahlen an und schreib alles aus, bei dem die Lesart wichtig ist.

Wann das hier passt – und wann etwas anderes

Wenn du dir eine Webseite oder ein PDF vorlesen lassen willst, während du etwas anderes tust, passt eine Vorlese-Erweiterung im Browser besser: Sie folgt dem Text und verlangt kein Einfügen. Wenn du eine einzelne Stimme brauchst, die eine Stunde Prosa ohne Regie durchliest, schafft das fast jedes Text-to-Speech im Netz, manches günstiger pro Stunde.

CastDub verdient sich seinen Platz in dem Moment, in dem im Text mehr als eine Person redet oder eine Zeile auf eine bestimmte Art gesagt werden muss. Ein Erklärvideo, in dem eine Kundin die Frage stellt, die das Video beantwortet; ein E-Learning-Modul mit einer Szene zwischen Führungskraft und Mitarbeiter; ein Hörspiel mit Erzählstimme und Figuren; ein Podcast-Intro, dessen letzter Satz anders landen soll als der davor. Genau da hört eine flache Stimme pro Datei auf zu reichen, und genau darum herum ist dieses Text-to-Speech gebaut.

Häufige Fragen

Muss ich etwas installieren?

Nein. Es läuft im Browser; es gibt kein Desktop-Programm und keine Erweiterung. Mit Google oder einer E-Mail-Adresse anmelden, Text einfügen, zuhören. Die Demo auf der Startseite braucht nicht einmal ein Konto.

Ist es wirklich kostenlos?

Der Gratis-Tarif ist gratis, mit den Grenzen, die auf der Preisseite stehen: ein einmaliges Startguthaben für rund fünf Minuten fertiges deutsches Audio, 30 erzeugte Zeilen pro Tag, alle vierzig Charaktere und eine Lizenz für den privaten, nicht kommerziellen Gebrauch. Bei der Anmeldung wird keine Kreditkarte verlangt.

Welche Sprachen liest es vor?

Deutsch, Englisch, Französisch, Russisch, Spanisch, Portugiesisch, Chinesisch, Japanisch und Koreanisch – jede Stimme spricht jede davon. Außerhalb des Englischen spricht jede Stimme die überregionale Standardform der Sprache; regionale Färbungen wie Österreichisch oder Schweizer Hochdeutsch lassen sich nicht wählen.

Kann ich das Audio herunterladen?

Ja, als MP3: eine fertig gemischte Datei in jedem Tarif, oder eine Datei pro Zeile samt CSV-Tabelle der Längen. Untertitel kommen ab Plus als SRT heraus. Einen WAV-Export gibt es nicht.

Darf ich das Audio kommerziell nutzen?

In Basic, Plus und Pro ja. Der Gratis-Tarif gilt für den privaten, nicht kommerziellen Gebrauch – das ist eine Lizenzbedingung und keine technische Grenze, das Audio ist dasselbe.

Kann ich ein Dokument hochladen?

Nein, nur eingefügter Text. Kopier ihn aus der Datei heraus und füg ihn ein; übliches Drehbuchlayout und Paare aus „Name: Zeile“ werden als Sprechende erkannt, alles andere liest die Erzählstimme.

Besetze heute Abend deine erste Szene

Füge ein Skript ein, lass CastDub jeder Figur eine Stimme geben und exportier ein fertiges Hörspiel.

Kostenlos starten

Keine Kreditkarte. Free gibt dir ein einmaliges Guthaben.