Speech Synthesis: Grund­la­gen und An­wen­dungs­fel­der

Speech Synthesis bzw. Sprach­syn­the­se gibt Texte mithilfe einer si­mu­lier­ten Stimme als ge­spro­che­ne Wörter aus. Sprach­syn­the­se greift zu diesem Zweck auf komplexe Al­go­rith­men zurück. Zu den Vorteilen zählen eine bessere Zu­gäng­lich­keit und Ver­brei­tung von In­for­ma­tio­nen, eine per­sön­li­che Nut­zer­er­fah­rung und ef­fi­zi­en­te­re In­ter­ak­tio­nen.

Was ist Speech Synthesis?

Sprach­syn­the­se, oft auch als Speech Synthesis oder Text-to-Speech (TTS) be­zeich­net, ist eine Tech­no­lo­gie, die ge­schrie­be­ne Texte in lebendige, syn­the­ti­sche Sprache ver­wan­delt und mithilfe einer si­mu­lier­ten Stimme ausgibt. TTS-Technik verwendet hierzu ge­spei­cher­te Sprach­seg­men­te und generiert daraus eine künst­li­che Stimme, die Texte so au­then­tisch und natürlich wie möglich als akus­ti­sche Signale re­pro­du­ziert. Während frühere TTS-Tech­no­lo­gien noch feste Wort­ket­ten oder Sätze an­ein­an­der­reih­ten, vermag moderne Sprach­syn­the­se ver­schie­de­ne sprach­li­che Nuancen und Be­to­nun­gen zu erreichen und Sprach­seg­men­te in­tel­li­gent zu ori­gi­nä­ren Inhalten zu kom­bi­nie­ren.

Sprach­syn­the­se eignet sich ideal, um Texte, Nach­rich­ten und In­for­ma­tio­nen kos­ten­ef­fi­zi­ent ohne mensch­li­che Sprecher oder Spre­che­rin­nen zu ver­mit­teln und die Kom­mu­ni­ka­ti­on, Bar­rie­re­frei­heit sowie die Reich­wei­te zu op­ti­mie­ren. Aus diesem Grund kommt Sprach­syn­the­se in ver­schie­de­nen Branchen und zu ver­schie­de­nen Zwecken zum Einsatz – sowohl kom­mer­zi­ell als auch zu Zwecken wie Bildung, Service oder Na­vi­ga­ti­on.

Wie funk­tio­niert Speech Synthesis?

Der Speech-Synthesis-Prozess beginnt in der Regel mit der Eingabe von schrift­li­chen Inhalten wie Nach­rich­ten, Texten, Wer­be­infor­ma­tio­nen oder E-Mails. Die Software wandelt den Text daraufhin in si­mu­lier­te, natürlich klingende Sprache um und nutzt hierzu ver­schie­de­ne Al­go­rith­men, ge­spei­cher­te Sprach­si­gna­le oder auch Neural Networks, künst­li­che In­tel­li­genz sowie Machine Learning. Hierzu kann sie eine Stimme künstlich erzeugen oder eine auf­ge­nom­me­ne Stimme si­mu­lie­ren. Um eine möglichst natürlich klingende Ausgabe zu erreichen, werden Tonfall, Betonung und Sprach­stil der mensch­li­chen Sprech­wei­se so weit wie möglich angepasst.

In den frühen Tagen der Sprach­syn­the­se kamen vor allem so­ge­nann­te „Sprach­kon­ser­ven“, also vor­auf­ge­zeich­ne­te Wörter und Sätze zum Einsatz, die an­ein­an­der­ge­reiht wurden und für die bekannten Ro­bo­ter­stim­men sorgten. Heut­zu­ta­ge ist TTS-Software in der Lage, auf eine große Datenbank aus Sprach­si­gna­len und Segmenten zu­rück­zu­grei­fen, um auch im Fall von un­be­kann­ten Texten für flexible und na­tür­li­che Sprach­er­zeu­gung zu sorgen.

Hierzu kommen zu­sätz­lich Tech­no­lo­gien wie akus­ti­sche Modelle, For­mant­syn­the­se, ar­ti­ku­la­to­ri­sche Synthese und Overlap Add zum Einsatz, die Text in Au­dio­si­gna­le zerlegen und ge­spro­che­ne Wort­fol­gen, Sprech­ge­schwin­dig­keit, Prosodie und In­to­na­ti­on so natürlich wie möglich syn­the­ti­sie­ren.

Wo kommt Sprach­syn­the­se zum Einsatz?

Die An­wen­dungs­mög­lich­kei­ten von Sprach­syn­the­se umfassen ein breites Spektrum. Dazu zählen:

• Bar­rie­re­freie Tech­no­lo­gien: Sprach­syn­the­se-Software er­mög­licht es unter anderem, Menschen mit Seh­be­hin­de­run­gen Texte am Bild­schirm verlesen zu lassen. Durch Screen­rea­der können Blinde und Seh­be­hin­der­te Computer ei­gen­stän­dig bedienen, auf In­for­ma­tio­nen zugreifen, Über­set­zun­gen an­fer­ti­gen oder syn­the­ti­sche Sprach­aus­ga­be an Braille-Zeilen ausgeben lassen.
• Bildung und Wei­ter­bil­dung: Mit Sprach­syn­the­se-Software lassen sich Auf­zeich­nun­gen und Tran­skrip­tio­nen von Vorträgen, Lehr­ma­te­ria­li­en oder Kon­fe­ren­zen zu­gäng­lich machen und effizient ver­brei­ten. Zudem können Au­torin­nen und Autoren oder Re­dak­teu­rin­nen bzw. Re­dak­teu­re Texte auf Fehler und Ver­ständ­lich­keit hin prüfen oder vorlesen lassen.
• Podcast-, Audioblog- und Hörbuch-Pro­duk­ti­on: Für populäre Au­dio­for­ma­te wie Podcasts, Au­dio­blogs oder Hörbücher er­mög­licht Sprach­syn­the­se eine schnelle, kos­ten­güns­ti­ge und hoch­wer­ti­ge Pro­duk­ti­on. Statt Spre­che­rin­nen und Sprecher zu finden, lassen sich pro­fes­sio­nel­le Au­dio­in­hal­te kos­ten­güns­tig und hoch­wer­tig per TTS an­fer­ti­gen und als MP3-Dateien oder als Strea­ming­for­ma­te ausgeben.
• Te­le­fon­an­sa­gen und Kun­den­ser­vice: Ob für au­to­ma­ti­sier­te Telefon- und Laut­spre­cher­durch­sa­gen oder Kun­den­ser­vice-Systeme - in der Ge­schäfts­welt er­mög­licht Sprach­syn­the­se ef­fi­zi­en­te Un­ter­stüt­zung für Kundinnen und Kunden sowie eine schnelle An­fra­gen­be­ar­bei­tung.
• Na­vi­ga­ti­ons­sys­te­me: Sprach­syn­the­se spielt im Bereich der Na­vi­ga­ti­ons­sys­te­me eine wichtige Rolle und kommt in GPS-Geräten und Na­vi­ga­ti­ons-Apps zum Einsatz. Sie sorgt durch Ver­kehrs­in­for­ma­tio­nen, Weg- und Fahr­an­wei­sun­gen sowie durch au­to­ma­ti­sche Hal­te­stel­len­an­sa­gen für einen besseren Service, moderne Au­to­ma­ti­sie­rung und mehr Si­cher­heit im öf­fent­li­chen Verkehr.
• Un­ter­hal­tung und Medien: In Un­ter­hal­tungs­me­di­en wie Vi­deo­spie­len, Ani­ma­ti­ons­fil­men, Do­ku­men­ta­tio­nen oder anderen in­ter­ak­ti­ven Formaten er­mög­licht Speech Synthesis immersive Spiel­erleb­nis­se und künst­li­che Cha­rak­te­re mit rea­lis­ti­scher Sprache.
• Au­to­ma­ti­sier­te Sprach­diens­te und Sprach­as­sis­ten­ten: Ob Voice Search SEO und Sprach­such-Op­ti­mie­rung, Sprach­as­sis­ten­ten oder Chatbots und Ge­ne­ra­ti­ve AI – dank Sprach­syn­the­se können Sie virtuelle As­sis­ten­ten sowie Funk­tio­nen mit ge­spro­che­ner Sprach­aus­ga­be oder -steuerung anbieten.

Bei der Ver­wen­dung von TTS besteht zudem die Mög­lich­keit nicht nur auf vor­ge­ge­be­ne neuronale Stimmen zu­rück­zu­grei­fen, sondern eigene neuronale Stimmen zu erzeugen oder echte Stimmen per Auf­zeich­nung zu si­mu­lie­ren. So können künst­li­che Stimmen an Produkt- und Un­ter­neh­mens­mar­ken, an Wer­be­kam­pa­gnen oder auch an Produkte wie Hörbücher, Podcasts oder Sprach-Apps angepasst werden.

Was ist der Un­ter­schied zwischen Sprach­syn­the­se und Sprach­er­ken­nung?

Sprach­syn­the­se ver­wan­delt schrift­li­che Inhalte in ge­spro­che­ne Sprache, indem sie com­pu­ter­ge­nerier­te Stimmen verwendet, um Texte akustisch wie­der­zu­ge­ben. Dem­ge­gen­über ist die Sprach­er­ken­nung darauf ausgelegt, ge­spro­che­ne Sprache zu verstehen und in ge­schrie­be­ne Texte zu über­füh­ren, indem sie die akus­ti­schen Äu­ße­run­gen in digitale Schrift­zei­chen umsetzt. Kurz gesagt, gilt Sprach­syn­the­se als das Ge­gen­stück zur Sprach­er­ken­nung, da sie Texte in ge­spro­che­ne Sprache umformt, während Sprach­er­ken­nung ge­spro­che­ne Sprache in schrift­li­chen Text überträgt.

Speech Synthesis und Sprach­er­ken­nung sind oft eng mit­ein­an­der verbunden und werden häufig gemeinsam in Sprach­as­sis­tenz­sys­te­men verwendet. Die Sprach­syn­the­se dient dazu, Nutzer und Nut­ze­rin­nen mit Antworten in ge­spro­che­ner Form zu versorgen. Die Sprach­er­ken­nung ist ver­ant­wort­lich dafür, dass das System die Anfragen versteht und ent­spre­chend reagiert. Beide Tech­no­lo­gien ergänzen sich also perfekt und tragen so zur Ver­bes­se­rung der Mensch-Maschine-In­ter­ak­ti­on bei.

Weitere Arten der Sprach­syn­the­se

Sprach­syn­the­se bietet neben reiner Text-to-Speech-Software weitere Sprach­sys­te­me wie:

• Sprach­pro­the­se: Sprach­pro­the­sen helfen Menschen mit kör­per­li­chen oder sprach­li­chen Be­hin­de­run­gen dabei, über com­pu­ter­ge­nerier­te Sprach­sys­te­me und minimale Eingaben na­tür­li­che Sprache zu erzeugen. Sie sollen auf diese Weise Bar­rie­re­frei­heit fördern und den Zugang zu Computern sowie die Kom­mu­ni­ka­ti­ons­fä­hig­keit er­leich­tern.
• Mul­ti­mo­da­le Sprach­syn­the­se: Mul­ti­mo­da­le Sprach­syn­the­se, auch au­dio­vi­su­el­le Sprach­syn­the­se genannt, nutzt syn­the­ti­sier­te Sprache in Kom­bi­na­ti­on mit ani­mier­ten Ge­sich­tern, um Sprache durch visuelle Signale und Mimik wie Lächeln oder Kopf­schüt­teln zu ergänzen. Auf diese Weise lässt sich die Aus­sa­ge­kraft, Le­ben­dig­keit, Na­tür­lich­keit und Nu­an­cie­rung von Sprach­syn­the­se ver­bes­sern.