Die kurze Antwort
Eine Text-to-Speech-Stimme klingt natürlich, wenn sie drei Dinge richtig macht: Prosodie (Melodie und Betonung eines Satzes), Rhythmus und Pausen sowie die Aussprache der kniffligen Stellen wie Namen, Zahlen und Abkürzungen. Moderne neuronale Stimmen bewältigen alle drei weit besser als die älteren Roboterstimmen, und viele laufen inzwischen vollständig auf dem iPhone. Stimmen auf dem Gerät halten Ihren Text privat, funktionieren ohne Verbindung und haben keine Begrenzung pro Zeichen; der Preis dafür ist ein einmaliger Download und etwas Speicherplatz.
Was eine Stimme natürlich klingen lässt
Die meisten beurteilen eine Stimme in den ersten zehn Sekunden. Das ist ein Fehler: Der erste Satz klingt bei fast jeder modernen Stimme gut. Was bei einem Buch zählt, ist, wie sie auf Seite 80 noch klingt, und das hängt an einigen ganz bestimmten Dingen.
Prosodie: die Melodie eines Satzes
Ein menschlicher Vorleser hebt am Ende einer Frage die Stimme, betont das Wort, das die Bedeutung trägt („Ich habe nicht gesagt, dass sie es genommen hat“), und lässt die Stimme am Ende einer Aussage sinken. Flache oder falsch gesetzte Intonation ermüdet das Ohr als Erstes, selbst wenn jedes Wort korrekt ausgesprochen wird.
Rhythmus und Pausen
Kommas, Punkte, Absätze und Dialoge verlangen jeweils eine andere Pause. Eine Stimme, die überall dieselbe kurze Lücke lässt, klingt gehetzt; eine, die bei jedem Komma zu lange innehält, klingt zögerlich. Gute Stimmen werden bei vertrauten Wendungen außerdem etwas schneller und bei langen, ungewöhnlichen Wörtern langsamer, und genau das lässt Sprache lebendig statt metronomhaft wirken.
Aussprache der schwierigen Fälle
Bevor ein einziger Laut entsteht, muss der Text in sprechbare Wörter umgewandelt werden. An diesem Schritt scheitern viele Stimmen, die in einer Demo wunderbar klingen, bei echten Büchern:
- Zahlen und Daten: „1984“ ist im einen Satz eine Jahreszahl und im nächsten eine Menge. „3/4“ kann ein Bruch oder ein Datum sein.
- Abkürzungen: „St.“ steht für Sankt oder Stück, „Str.“ für Straße oder Strophe.
- Gleich geschriebene, aber verschieden gesprochene Wörter: „Wir haben die Montage verschoben“ (der Aufbau) gegenüber „Die Montage sind lang“ (Mehrzahl von Montag); einen Pfosten „úmfahren“ (umstoßen) gegenüber einen Stau „umfáhren“ (um ihn herumfahren).
- Namen: Figuren, Orte und erfundene Wörter, die in keinem Wörterbuch stehen.
Keine Stimme trifft all das immer richtig, deshalb ist eine Möglichkeit, die Aussprache zu korrigieren, genauso wichtig wie die Stimme selbst (mehr dazu unten).
Roboterstimmen und neuronale Stimmen
Die „Roboterstimme“, an die sich die meisten erinnern, stammt aus älteren Syntheseverfahren. Regelbasierte Stimmen erzeugen den Klang aus einem Modell des Vokaltrakts: sehr verständlich, selbst bei hohem Tempo, weshalb manche Nutzer von Bildschirmlesern sie bis heute bevorzugen, aber unverkennbar synthetisch. Spätere Stimmen setzten kleine Aufnahmeschnipsel eines echten Sprechers zusammen; das klingt aus der Nähe menschlich, erzeugt aber hörbare Nahtstellen, wo die Stücke aneinanderstoßen.
Neuronale Stimmen arbeiten anders. Ein Modell, das mit vielen Stunden aufgenommener Sprache trainiert wurde, sagt den Klang eines ganzen Satzes aus seinem Text voraus, einschließlich Intonation und Timing. Das Ergebnis ist flüssiger und einem vorlesenden Menschen viel näher. Perfekt sind sie nicht: Eine neuronale Stimme kann gelegentlich das falsche Wort betonen oder bei einem seltenen Namen zögern. Über eine lange Hörsitzung ist der Unterschied bei der Ermüdung aber groß.
Ihr iPhone bringt bereits Systemstimmen mit, und manche lassen sich unter Einstellungen › Bedienungshilfen › Gesprochene Inhalte › Stimmen in größeren Varianten (Erweitert oder Premium) laden. Für kurze Texte passen sie gut; unsere Anleitung, wie Sie sich Texte vom iPhone vorlesen lassen, beschreibt sie und ihre Grenzen.
Text-to-Speech auf dem Gerät oder in der Cloud
Neuronale Stimmen können auf einem entfernten Server oder direkt auf Ihrem Telefon laufen. Beide Ansätze sind legitim; sie wägen unterschiedliche Dinge ab.
| Cloud-Stimmen | Stimmen auf dem Gerät | |
|---|---|---|
| Wohin Ihr Text geht | Zur Umwandlung an einen Server geschickt | Bleibt auf dem iPhone |
| Verbindung | Beim Hören nötig, oder um das Audio zu erzeugen | Nur, um die Stimme einmal zu laden |
| Limits | Oft nach Zeichen oder Minuten abgerechnet | Kein Kontingent pro Zeichen |
| Mobile Daten | Werden beim Hören verbraucht | Keine, sobald die Stimme installiert ist |
| Speicherplatz | Wenig auf dem Telefon | Jede Stimme braucht Platz |
| Akku | Netzwerknutzung | Die Sprache wird auf dem Telefon berechnet |
| Ausdrucksstärke | Die größten Modelle können sehr ausdrucksstark sein | Fürs Vorlesen nah dran, begrenzt durch das Telefon |
Den Datenschutz unterschätzen die meisten. Wenn Sie Arbeitsberichte, Verträge, Arztbriefe oder eigene unveröffentlichte Texte hören, bedeutet Synthese auf dem Gerät, dass nichts davon das Telefon verlässt. Die praktische Seite ist die zweite Überraschung: ein Flugzeug, die U-Bahn, eine Hütte ohne Empfang oder eine Roaming-Rechnung, die Sie lieber vermeiden. Eine Stimme auf dem Gerät liest einfach weiter.
Die Kosten sind ebenfalls real. Stimmen müssen geladen werden, am besten im WLAN, und sie belegen Speicherplatz; installieren Sie also die, die Sie tatsächlich nutzen, und entfernen Sie die anderen. Die Spracherzeugung beansprucht den Prozessor, eine lange Sitzung verbraucht also mehr Akku als das Abspielen einer Audiodatei; iPhones enthalten die Apple Neural Engine, die genau für diese Art von Arbeit gemacht ist.
Wie VocaRead damit umgeht
VocaRead führt alle Stimmen auf dem Gerät aus. Sie laden eine Stimme einmal, danach funktioniert alles offline: kein Konto, keine Verarbeitung in der Cloud, und Ihre Bücher verlassen das iPhone nie. Es gibt über 200 Stimmen, darunter 144 neuronale Premium-Stimmen, in über 30 Sprachen, und die neuronalen Engines werden von der Apple Neural Engine beschleunigt. Eine neuere Vorlese-Engine steht als optionale Beta unter Einstellungen › Stimmen bereit; dieser Rundgang erklärt, wie Sie sie ausprobieren und wieder zurückwechseln. Sehen Sie sich den vollständigen Stimmenkatalog an.
Es gibt keinen Zähler pro Zeichen. Die einzige Grenze ist kommerziell und wird von vornherein genannt: 90 Minuten kostenloses Hören pro Buch, danach ein einmaliger Premium-Kauf für unbegrenztes Hören. Gehört wird in der App; MP3-Dateien werden nicht exportiert.
So wählen Sie eine Stimme für ein Buch
Zuerst die Sprache abgleichen
Verwenden Sie immer eine muttersprachliche Stimme für die Sprache des Buchs. Eine englische Stimme, die einen französischen Roman liest, verstümmelt jeden Namen und die meisten Sätze. Wenn Sie in mehreren Sprachen lesen, installieren Sie eine gute Stimme pro Sprache statt einer Stimme für alles.
Die Stimme zum Buch passen lassen
Eine warme, ruhige Stimme passt zu einem Roman oder einer Autobiografie. Eine klare, neutrale passt zu einem Fachbuch oder einem Bericht, wo Klarheit mehr zählt als Charakter. Dialogreiche Romane brauchen eine Stimme mit deutlichen Intonationswechseln, da eine einzige Stimme alle Figuren spricht.
Auf den richtigen Seiten testen
Überspringen Sie den ersten Absatz von Kapitel eins. Spielen Sie stattdessen eine Seite mit Dialog, eine Seite mit Zahlen oder Daten und eine Seite mit den Namen der Hauptfiguren ab. Hören Sie dann zehn Minuten zu, bevor Sie sich entscheiden. Kleine Eigenheiten, die in einer Hörprobe charmant wirken, können nach einer Stunde nerven, und umgekehrt.
Das Tempo pro Buch einstellen
In VocaRead stellen Sie das Tempo von 0,5× bis 2,0× ein, und es wird pro Buch gespeichert. Beginnen Sie mit 1,0× und gehen Sie in kleinen Schritten. Dichte Sachbücher funktionieren oft am besten bei normalem oder knapp darunterliegendem Tempo; ein vertrautes Genre oder ein Buch, das Sie wieder lesen, verträgt 1,3× oder mehr. Wenn Sie in einer Fremdsprache lesen, hält ein Tempo um 0,8× die Stimme natürlich und lässt Ihnen Zeit zum Folgen.
Namen und Wörter mit eigenen Aussprachen korrigieren
Selbst die beste Stimme rät bei einem erfundenen Namen falsch, und sie macht denselben Fehler auf jeder Seite. Drücken Sie in VocaRead lange auf das Wort, tippen Sie ein, wie es gesagt werden soll, und die Regel wird für diese Sprache gespeichert und über iCloud mit Ihrem iPad synchronisiert. Eine Korrektur behebt das ganze Buch. Unsere Anleitung zum Korrigieren falsch ausgesprochener Namen hat Tipps für Regeln, die funktionieren.
Was synthetische Stimmen noch weniger gut können
Ehrlichkeit hilft hier. Eine synthetische Stimme liest Lyrik flacher als ein guter Schauspieler, macht keine Figurenstimmen und kann Ironie verpassen, die ein Mensch im Tonfall mittragen würde. Tabellen, Fußnoten und lange Literaturlisten sind für jede Stimme unhandlich. Bei einem Roman, der von der Darbietung lebt, ist ein Hörbuch mit Sprecher vielleicht weiterhin das bessere Erlebnis; für die Tausenden von Büchern, Fachartikeln und Dokumenten, die nie eines bekommen werden, macht eine natürliche Stimme auf dem Gerät das Hören überhaupt erst möglich. Wir vergleichen beides in Text-to-Speech vs. Hörbuch.
Häufige Fragen
Sind Stimmen auf dem Gerät so gut wie Cloud-Stimmen?
Fürs Vorlesen sind die besten neuronalen Stimmen auf dem Gerät nah dran, und sie gewinnen bei Datenschutz, Offline-Nutzung und dem Fehlen von Nutzungslimits. Die allergrößten Cloud-Modelle können ausdrucksstärker sein, um den Preis, dass Ihr Text verschickt und nach Nutzung bezahlt wird.
Wird mein Text beim Hören irgendwohin geschickt?
Nicht bei Synthese auf dem Gerät. In VocaRead wird das Audio auf dem iPhone erzeugt, und Bücher verlassen es nie. Eine Verbindung brauchen Sie nur, um eine Stimme, ein kostenloses Buch oder eine Webseite zu laden.
Brauchen Offline-Stimmen viel Speicherplatz?
Jede Stimme ist ein Download, der auf dem Telefon bleibt. Installieren Sie die Stimmen, die Sie tatsächlich hören, eine oder zwei pro Sprache, und entfernen Sie die, die Sie ausprobiert und nicht behalten haben.
Welches Tempo sollte ich verwenden?
Beginnen Sie mit 1,0× und passen Sie in kleinen Schritten an, bis Ihnen die Stimme nicht mehr auffällt. Die meisten landen irgendwo zwischen 1,0× und 1,5×, mit langsameren Einstellungen für dichten Stoff oder eine Fremdsprache.
Am besten beurteilen Sie eine Stimme mit einem Buch, das Sie kennen. Laden Sie VocaRead, importieren Sie eine Ihrer eigenen Dateien und probieren Sie ein paar Stimmen aus: Jedes Buch enthält 90 Minuten kostenloses Hören, und Premium ist ein Einmalkauf, kein Abo.