Synthese

Kostenloses Text-to-Speech online für Skripte

Gewöhnliches Text-to-Speech liest einen Textblock mit einer Stimme vor. Für eine Erzählstimme ist das das richtige Werkzeug, für eine Szene das falsche. Diese Seite handelt von der Syntheseschicht selbst – was man ihr sagen kann und wo sie aufhört.

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
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
Indie

Indie

TikTok voiceover: fast, flat, faintly amused

weiblichjungUS-EnglischSocialSchnell
Stimme nehmen
Wren

Wren

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

weiblicherwachsenUS-EnglischErzählstimmeWarm
Stimme nehmen
Hale

Hale

Documentary narrator with a hand on the listener's shoulder

männlicherwachsenUS-EnglischErzählstimmeDoku
Stimme nehmen

Ganze Bibliothek ansehen →

Was es kann

Sieben emotionale Grundlagen

Neutral, fröhlich, traurig, wütend, Angst, Flüstern und aufgeregt – pro Zeile gesetzt, nicht pro Dokument. Jede Grundlage lässt sich auf jeder Stimme setzen, und sie wird tatsächlich gespielt: Die Zeile geht mit einer Spielanweisung in die Synthese, nicht mit einem Tempo- und Tonhöhenrezept. Die Schlagworte in der Bibliothek sagen, wofür ein Charakter geschrieben ist – hör die Umschwünge trotzdem an deinem eigenen Text an.

Tempo steuern

Ein Geschwindigkeitsfaktor pro Zeile, in Plus und Pro. Tempo leistet mehr, als die meisten erwarten: Es transportiert Alter, Autorität und Gefühlslage zuverlässiger als die Tonhöhe.

Regieanweisungen bleiben stumm

Eine Zeile, die ganz in Klammern steht, wird nicht vorgelesen, sondern beim Einlesen zur Spielanweisung für die nächste Zeile – genauso wie eine Klammer am Zeilenanfang, die für ihre eigene Zeile gilt. Die Anweisung steht danach in der Zeilenliste neben der Emotion und lässt sich dort ändern oder löschen. Klammern mitten in der Zeile bleiben dagegen im Text und werden mitgesprochen. Szenenüberschriften und Handlungszeilen sind etwas anderes: Sie kommen als Erzählung heraus, also lösch die, die niemand hören soll.

Satzzeichen als Regieanweisung

Ein Punkt ist eine echte Pause, drei Punkte eine längere, ein Fragezeichen hebt das Satzende an. Zeilenumbrüche erzeugen Lücken. Der Satzspiegel deines Skripts ist deine Taktsteuerung – deshalb steht auf dieser Seite immer wieder, dass du Zeilen trennen sollst.

Unabhängig vom Anbieter

Die Synthese-Engine sitzt hinter einer Schnittstelle. Welche Engine dahinter arbeitet, kann sich ändern – wir haben sie schon einmal getauscht –, und dasselbe Projekt rendert danach weiter, ohne dass du an Besetzung oder Regie etwas änderst.

Jede Stimme in jedem Tarif

Die Bibliothek ist keine Bezahlschranke. Tarife unterscheiden sich in Besetzungsgröße, Emotionssteuerung und Minuten – nicht darin, welche Stimmen du benutzen darfst.

So geht’s

  1. Text einfügen

    Eine sprechende Person oder viele. Bei einer einzigen Stimme verhält es sich wie jedes andere Text-to-Speech-Werkzeug.

  2. Charakter wählen

    Wähl aus den vierzig Charakteren der Bibliothek – filtere nach Alter, Geschlecht und Stil, statt zu scrollen. Hör Proben an deinem eigenen Text, nicht am Beispieltext.

  3. Tempo und Grundlage setzen

    Fang neutral an und, in Plus oder Pro, etwas langsamer, als es sich richtig anfühlt. Fast jeder erste Versuch ist zu schnell.

  4. Aussprache korrigieren

    Hör dir jeden Namen und jedes erfundene Wort an, bevor du etwas Langes renderst, und schreib die, die falsch herauskommen, im Text anders oder trenn sie mit Bindestrich – eine Aussprache-Einstellung gibt es nicht.

  5. Rendern und auf echter Hardware prüfen

    Spiel es auch über einen Handylautsprecher ab, nicht nur über Kopfhörer. Das meiste Publikum hört am Handy.

Emotionssteuerung, und warum weniger mehr ist

Wer Emotion pro Zeile bekommt, will sie überall einsetzen – und das Ergebnis ist gleichmäßiger Brei. Publikum liest Emotion über Kontrast: Eine Szene mit zwei geführten und zwanzig neutralen Zeilen trifft weit härter als eine, in der alles gedrückt wird.

Der Ablauf, der gute Ergebnisse bringt, geht so: pro Figur eine Grundlage setzen, nur mit den Standardwerten rendern, am Stück hören, und dann die zwei, drei Zeilen markieren, an denen sich wirklich etwas ändert. In einer Szene von fünf Minuten sind fünf von Hand geführte Zeilen ungefähr richtig.

So schreibst du, dass eine synthetische Stimme es spielen kann

Vier Gewohnheiten machen den größten Teil des Unterschieds aus. Eine Absicht pro Zeile – ein Satz, der von Entzücken zu Entsetzen kippt, wird als Mittelwert von beidem gesprochen, also trenn ihn. Satzzeichen bewusst setzen, denn sie sind dein Takt. Ausrufe als eigene Zeilen, denn gesprochen wird der Text – eine Regieanweisung in Klammern färbt nur, wie er gespielt wird. Und kurze Sätze für tiefe Stimmen, die über lange Nebensatzketten schnell an Verständlichkeit verlieren.

Nichts davon ist ein Trick gegen eine Beschränkung. Es sind dieselben Hinweise, die eine Regie einem Menschen gibt, und zwar aus denselben Gründen.

Die Grenzen, klar gesagt

Körperliche Lautäußerungen – Schreien, Schluchzen, Lachen beim Sprechen, Ächzen – sind der schwächste Bereich und bleiben es noch eine Weile, weil es Atem-Ereignisse sind und keine Sprech-Ereignisse. Erzeug sie als Platzhalter, wenn du musst, und plan ein, sie zu ersetzen.

Die zweite Grenze ist die Deutung. Eine synthetische Lesung ist eine saubere, gleichmäßige, gut getaktete Wiedergabe dessen, was du geschrieben hast. Sie ist keine Reihe von Entscheidungen über den Subtext. Für die meiste Arbeit lohnt sich dieser Tausch; er lohnt sich mit offenen Augen darüber, welche Hälfte davon welche ist.

Häufige Fragen

Worin unterscheidet sich das von anderen Text-to-Speech-Werkzeugen?

Bei einer einzigen Stimme kaum. Der Unterschied zeigt sich in dem Moment, in dem ein Skript mehr als eine sprechende Figur hat: Besetzung, eine Stimme, die innerhalb eines Projekts fest bei jeder Figur bleibt, und Führung pro Zeile sind das Produkt, die Synthese ist ein Bauteil darunter.

Welche Emotionen werden unterstützt?

Neutral, fröhlich, traurig, wütend, Angst, Flüstern und aufgeregt, auf jeder Stimme. Sie werden gespielt und nicht rechnerisch nachgebildet: Jede Zeile geht mit ihrer Spielanweisung in die Synthese. Wie weit ein Umschwung geht, entscheidet trotzdem die Aufnahme – hör dir eine geführte Zeile an, bevor du dich auf sie verlässt, und wenn sie danebengeht, lass sie noch einmal laufen.

Kann ich die Tonhöhe steuern?

Nein – Tempo ja, in Plus und Pro; Tonhöhe nein. Eine Stimme weit aus ihrer natürlichen Lage zu schieben, erzeugt Artefakte, die auf guten Kopfhörern deutlich hörbar sind. Wähl lieber gleich einen Charakter in der passenden Lage.

Werden Zahlen und Daten richtig gelesen?

Gelesen wird nach den Konventionen der Projektsprache – ein deutsches Projekt liest Datumsangaben also auf deutsche Art. Fehler entstehen bei Text mit gemischten Konventionen; prüf zuerst die Zahlen, wenn dein Text sie mischt.

Wie viele verschiedene Stimmen kann ein Projekt haben?

Zehn – vier weibliche, fünf männliche und eine neutrale Grundstimme, und jede davon spricht alle neun Sprachen. Die vierzig Bibliotheks-Charaktere sind Rollenprofile, die auf diese zehn verteilt werden. Ein Stück mit elf Sprechenden hat also zwangsläufig zwei, die sich eine Stimme teilen; die trennst du dann über Alter, Temperament und Spielanweisung – hörbar, aber weniger deutlich als zwei verschiedene Stimmen.

Kann ich es für Barrierefreiheit einsetzen?

Ja, wobei du dafür die klarste Stimme brauchst und nicht die charaktervollste – und testen solltest du bei 1,5-facher Geschwindigkeit oder schneller, denn viele Screenreader-Nutzer hören weit über Echtzeit.

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.