
Noor
Newsreader clarity for exposition-heavy scenes
Synthese
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.

Noor
Newsreader clarity for exposition-heavy scenes

Quill
YouTube explainer voice that never sounds bored

Dorian
Audiobook baritone for literary fiction and slow reveals

Solène
Continental accent, unhurried, very expensive sounding

Halcyon
Meditation-adjacent narrator for slow, quiet scenes

Indie
TikTok voiceover: fast, flat, faintly amused

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

Hale
Documentary narrator with a hand on the listener's shoulder
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.
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.
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.
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.
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.
Die Bibliothek ist keine Bezahlschranke. Tarife unterscheiden sich in Besetzungsgröße, Emotionssteuerung und Minuten – nicht darin, welche Stimmen du benutzen darfst.
Eine sprechende Person oder viele. Bei einer einzigen Stimme verhält es sich wie jedes andere Text-to-Speech-Werkzeug.
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.
Fang neutral an und, in Plus oder Pro, etwas langsamer, als es sich richtig anfühlt. Fast jeder erste Versuch ist zu schnell.
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.
Spiel es auch über einen Handylautsprecher ab, nicht nur über Kopfhörer. Das meiste Publikum hört am Handy.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Füge ein Skript ein, lass CastDub jeder Figur eine Stimme geben und exportier ein fertiges Hörspiel.
Kostenlos startenKeine Kreditkarte. Free gibt dir ein einmaliges Guthaben.