Noor
Newsreader clarity for exposition-heavy scenes
Synthese
Ausdrucksstarkes Text-to-Speech 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.
Stimmen zum Ausprobieren
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
Was es kann
Sieben emotionale Grundlagen
Neutral, fröhlich, traurig, wütend, Angst, Flüstern und aufgeregt – pro Zeile gesetzt, nicht pro Dokument. Mit der heutigen Engine lässt sich jede Grundlage auf jeder Stimme setzen, und sie wird über Tempo, Tonhöhe und Lautstärke umgesetzt statt über ein echtes Emotionsmodell – die Schlagworte in der Bibliothek sagen, wofür ein Charakter geschrieben ist, nicht, was sich rendern lässt.
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, gilt als Hinweis an die Sprechrolle und wird nicht vorgelesen. 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. Derzeit rendert eine vorläufige Engine, solange die Produktions-Engine angeschlossen wird; dasselbe Projekt rendert später durch eine andere Engine, 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
- Text einfügen
Eine sprechende Person oder viele. Bei einer einzigen Stimme verhält es sich wie jedes andere Text-to-Speech-Werkzeug.
- 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.
- 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.
- 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.
- 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 gerendert wird Text und keine Regieanweisung. 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. Mit der heutigen vorläufigen Engine sind das Annäherungen aus Tempo, Tonhöhe und Lautstärke statt gespielter Darbietungen – hör dir eine geführte Zeile also an, bevor du dich auf sie verlässt.
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?
Es gelten die Konventionen der Sprachregion der Stimme, eine amerikanische Stimme liest Datumsangaben also auf amerikanische Art. Fehler entstehen bei Text mit gemischten Konventionen; prüf zuerst die Zahlen, wenn dein Text sie mischt.
Welche Engine rendert das Audio heute?
Eine vorläufige, solange die Produktions-Engine angeschlossen wird. Deshalb ist die Stimme eines Bibliotheks-Charakters eine Annäherung an sein Profil, und Emotion wird über Tempo und Tonhöhe umgesetzt. Dank der Anbieter-Schnittstelle erfordert der Wechsel keine Änderungen an deiner Besetzung oder Regie.
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 startenKeine Kreditkarte. Free gibt dir ein einmaliges Guthaben.