Sprache

Text zu Sprache

Kurz gesagt: Aus Text wird Sprache in Schritten: aufbereiten, Aussprache bestimmen, Klang erzeugen und Betonung setzen. Zahlen, Abkürzungen, Eigennamen und Fachwörter sind die häufigsten Stolperstellen. Stimmen gehören Menschen: Einwilligung einholen, erzeugte Sprache kennzeichnen, vor geklonten Stimmen am Telefon vorsichtig sein.

Wie wird aus einem geschriebenen Satz eine Stimme? Das Labor oben lässt den Jetson sprechen. Hier erfährst du, was dabei passiert.

Vom Text zur Stimme: der Überblick

Ablauf
  • Text
  • Aufbereitung (Zahlen ausschreiben)
  • Lautschrift (Phoneme)
  • Klang (Akustikmodell, Vocoder)
  • Audio

Aus Text wird in Schritten Ton: aufbereiten, Laute bestimmen, Klang erzeugen.

Das Gegenstück zur Spracherkennung im Labor Sprache zu Text ist die Sprachausgabe, englisch Text-to-Speech (TTS). Sie bekommt Text und liefert Ton. Dazwischen liegen mehrere Schritte: Der Text wird bereinigt, die Aussprache festgelegt, Betonung und Tempo bestimmt und am Ende der Klang erzeugt.

Moderne Modelle fassen mehrere dieser Schritte in einem neuronalen Netz zusammen. Zum Verstehen hilft es, sie getrennt zu betrachten.

Schritt 1: Den Text aufbereiten

Übersicht
  • 3,5 kg (drei Komma fünf Kilogramm)
  • z. B. (zum Beispiel)
  • 12.10. (zwölfter Oktober)
  • Dr. (Doktor)

Zahlen, Einheiten und Abkürzungen werden so ausgeschrieben, wie man sie spricht.

Geschriebener Text ist nicht gesprochener Text. Zahlen, Abkürzungen, Datumsangaben und Zeichen müssen ausgeschrieben werden. Dieser Schritt heißt Textnormalisierung.

Aus „3,5 kg“ wird „drei Komma fünf Kilogramm“, aus „z. B.“ wird „zum Beispiel“, aus „12.10.“ „zwölfter Oktober“. Der Kontext entscheidet: „Dr.“ ist „Doktor“, „Str.“ ist „Straße“, und „2024“ kann eine Jahreszahl oder eine Menge sein. Hier entstehen im Alltag viele Fehler. Wer einem Modell sauberen Text gibt, bekommt sauberere Sprache.

Schritt 2: Die Aussprache bestimmen

Tokens
  • 4 Stücke: Sch | u | l | e

Wörter werden in Laute übersetzt, nicht Buchstabe für Buchstabe gelesen.

Im Deutschen wird nicht jeder Buchstabe gesprochen, wie er geschrieben wird. „Ch“ klingt in „ich“ anders als in „Buch“, und „Vase“ klingt anders als „Vater“. Das System übersetzt darum Wörter in Laute, in eine Art Lautschrift. Ein Laut heißt Phonem. Aus „Schule“ wird eine Folge wie „Sch, u, l, e“.

Dafür nutzt es ein Aussprachewörterbuch für bekannte Wörter und gelernte Regeln für unbekannte. Eigennamen und Fachwörter stehen oft nicht im Wörterbuch. Dann rät das System, und manchmal liegt es daneben.

Schritt 3: Den Klang erzeugen

Schichten
  • Tonwelle (Vocoder spielt)
  • Spektrogramm (Notenblatt für Klang)
  • Laute und Betonung (Akustikmodell liest)

Das Akustikmodell schreibt das Notenblatt, der Vocoder spielt es als Tonwelle.

Jetzt muss aus der Lautfolge Ton werden. Das geschieht meist in zwei Stufen.

  • Akustikmodell: Ein neuronales Netz übersetzt Laute und Betonung in ein Spektrogramm. Das ist eine Art Notenblatt für Klang: Es zeigt, welche Frequenzen wann wie stark vorkommen.
  • Vocoder: Ein zweites Netz macht aus dem Spektrogramm die eigentliche Tonwelle, die der Lautsprecher abspielt.

Betonung und Tempo

Übersicht
  • Aussage (Du hast das gemacht.)
  • Frage (Du hast das gemacht?)
  • Vorwurf (Du hast das gemacht!)

Dieselben Wörter klingen als Aussage, Frage oder Vorwurf verschieden. Das ist die Prosodie.

Dieselben Wörter klingen verschieden: „Du hast das gemacht.“ als Aussage, „Du hast das gemacht?“ als Frage, „Du hast das gemacht!“ als Vorwurf. Die Satzmelodie, die Betonung, Pausen und das Tempo heißen Prosodie. Sie entscheidet, ob eine Stimme lebendig oder roboterhaft klingt.

Das Modell lernt die Prosodie aus Aufnahmen. Es sieht Satzzeichen, Satzbau und Kontext und wählt eine passende Melodie. Meist lässt sich das Tempo einstellen. Kurze Sätze, Satzzeichen und Absätze helfen, denn sie liefern Pausen.

Stimmen und ihre Rechte

Ablauf
  • Einwilligung (der Person)
  • Aufnahme
  • Stimme erzeugen
  • Kennzeichnen

Klone eine Stimme nur mit Einwilligung und kennzeichne erzeugte Sprache.

Jede Stimme entsteht aus Aufnahmen eines Menschen, der eingewilligt haben muss. Seriöse Anbieter und Stimmen für Open-Source-Modelle sind unter klaren Bedingungen aufgenommen und lizenziert. Prüfe, ob du die Stimme für deinen Zweck nutzen darfst, auch kommerziell.

Ein Stimmklon ahmt eine bestimmte Person nach, oft schon mit kurzen Aufnahmen. Das ist praktisch, etwa wenn jemand seine eigene Stimme für Schulungsvideos nutzt. Es ist auch ein Risiko: Betrüger können mit geklonten Stimmen anrufen und sich als Vorgesetzte oder Angehörige ausgeben. Klone eine Stimme nur mit Einwilligung der Person, kennzeichne erzeugte Stimmen, und vereinbare bei sensiblen Anfragen am Telefon einen zweiten Weg zur Bestätigung. Das ist ein Überblick, keine Rechtsberatung.

Qualität, Geschwindigkeit, lokal oder Cloud

Vergleich
  • Links: Lokal auf dem Jetson: Text bleibt im Haus, Keine Gebühr je Zeichen, Du pflegst Modell und Gerät, Klang gut, weniger lebendig
  • Rechts: Cloud-Dienst: Text geht an Anbieter, Abrechnung nach Menge, Anbieter pflegt, Oft sehr natürlich

Lokal bleibt der Text im Haus, die Cloud klingt oft natürlicher.

Gute Sprachausgabe hat zwei Maßstäbe: Wie natürlich klingt sie, und wie schnell ist sie fertig? Große Modelle klingen oft natürlicher, brauchen aber mehr Rechenleistung. Kleine Modelle sind schnell und laufen auf einfacher Hardware.

Auf dem Jetson läuft für das Labor oben ein kleines Modell, zum Beispiel Piper. Es soll schneller sprechen, als du zuhörst, damit auch längere Texte ohne Wartezeit ausgegeben werden. Dafür klingt es nicht so lebendig wie die größten Cloud-Stimmen.

Lokal gegenüber Cloud
KriteriumLokal (z. B. Piper auf dem Jetson)Cloud-Dienst
DatenschutzDer Text bleibt im HausDer Text geht an den Anbieter
KostenHardware und Strom, keine Abrechnung nach ZeichenMeist Abrechnung nach Menge
KlangGut bis sehr gut, je nach ModellOft sehr natürlich, viele Stimmen und Sprachen
GeschwindigkeitHängt von der Hardware ab, ohne NetzwegSchnell, aber mit Netzwerk und Wartezeit
BetriebDu pflegst Modell und GerätDer Anbieter pflegt

Wo man Sprachausgabe einsetzt und wo sie stößt

Übersicht
  • Barrierefreiheit (Vorlesen)
  • Ansagen (Warteschleife, Bahnhof)
  • Erklärvideos (Sprecherstimme)
  • Sprachassistent (Antwortstimme)

Vorlesen, Ansagen, Erklärvideos und Assistenten. Namen und Fachwörter stolpern gern.

Typische Einsätze sind Barrierefreiheit (Seiten und Dokumente vorlesen für Menschen mit Sehbehinderung oder Leseschwäche), Ansagen in Warteschleifen und Bahnhöfen, Sprecherstimmen für Erklärvideos und die Antwortstimme von Sprachassistenten. In Verbindung mit Spracherkennung und Sprachmodell entsteht ein Gespräch: Hören, Verstehen, Antworten, Sprechen.

Grenzen gibt es genug. Eigennamen und Fachwörter werden gern falsch ausgesprochen, besonders aus anderen Sprachen. Emotionen wirken schnell aufgesetzt, vor allem bei Ironie oder Trauer. Zahlenfolgen und Abkürzungen müssen geprüft werden. Höre dir wichtige Ausgaben vor dem Einsatz an, und lege bei häufigen Problemwörtern eine eigene Aussprache fest.

Das nimmst du mit

  • Aus Text wird Sprache in Schritten: aufbereiten, Aussprache bestimmen, Klang erzeugen und Betonung setzen.
  • Zahlen, Abkürzungen, Eigennamen und Fachwörter sind die häufigsten Stolperstellen.
  • Stimmen gehören Menschen: Einwilligung einholen, erzeugte Sprache kennzeichnen, vor geklonten Stimmen am Telefon vorsichtig sein.

Teste dich

  1. Warum wird vor dem Sprechen aus „3,5 kg“ erst „drei Komma fünf Kilogramm“?
    Antwort

    Weil geschriebene Zeichen erst in sprechbare Wörter umgewandelt werden müssen. Die Textnormalisierung schreibt Zahlen, Einheiten und Abkürzungen so aus, wie man sie spricht.

  2. Was macht ein Vocoder?
    Antwort

    Er macht aus einem Spektrogramm die abspielbare Tonwelle. Das Akustikmodell erzeugt das Spektrogramm, der Vocoder wandelt es in Ton um.

  3. Was ist Prosodie?
    Antwort

    Satzmelodie, Betonung, Pausen und Tempo. Die Prosodie macht den Unterschied zwischen Aussage, Frage und Vorwurf und zwischen lebendig und roboterhaft.

  4. Was ist beim Klonen einer Stimme besonders wichtig?
    Antwort

    Die Einwilligung der Person und die Kennzeichnung. Stimmen sind persönlich. Ohne Einwilligung drohen Rechtsverstöße und Missbrauch, etwa Betrugsanrufe.

  5. Was spricht für eine lokale Sprachausgabe auf dem Jetson?
    Antwort

    Der Text verlässt das Haus nicht. Lokal bleibt der Text im Haus und es fallen keine Gebühren je Zeichen an. Dafür klingt sie meist etwas weniger natürlich als die größten Cloud-Stimmen.

Weiter geht es