Text-zu-Sprache
Text in natürlich klingende Sprache umwandeln.
100% clientseitige Verarbeitung
0 / 5000 Zeichen
Bereit
Was die Web Speech API tatsächlich tut
Dieses Tool ist eine dünne Schnittstelle über speechSynthesis, der Sprachhälfte der Web Speech API des Browsers. Wenn Sie Play drücken, erzeugt es eine SpeechSynthesisUtterance, kopiert Ihren Text sowie die gewählte Rate, Tonhöhe, Lautstärke und Stimme hinein und übergibt sie dem Browser. Der Browser entscheidet, nicht diese Seite, wie der Klang erzeugt wird. Nichts wird vorab gerendert und nichts ist herunterladbar; das Audio existiert nur, während es abgespielt wird.
Der Stimmenkatalog ist der Teil, der überrascht. speechSynthesis.getVoices() liefert, welche Stimmen das Betriebssystem dem Browser bereitstellt. Unter Windows sind das meist die Microsoft-Stimmen, unter macOS die Apple-Stimmen, unter Android die Google-Sprachmaschine und unter Linux die installierten Sprachpakete. Chrome und Edge zeigen tendenziell die größte Liste; Safari zeigt ein kleineres, hochwertiges Set; Firefox unter Desktop zeigt oft sehr wenige. Das Array wird zudem asynchron befüllt, sodass das Dropdown direkt nach dem Laden kurz leer sein kann und sich füllt, wenn der Browser voiceschanged auslöst.
Eine wirklich verständliche Stimme finden
Da der Katalog zum Gerät gehört, kann dieselbe Seite auf einem Laptop, einem Handy und einem Arbeitsrechner völlig unterschiedlich aussehen. Ein paar Schritte machen die Ergebnisse deutlich nutzbarer:
- Steht im Dropdown „Loading voices“, warten Sie eine Sekunde oder laden Sie neu; nehmen Sie nicht an, dass das Tool defekt ist.
- Bevorzugen Sie Stimmen mit Bezeichnungen wie Natural, Neural, Siri oder Google. Sie klingen deutlich klarer als die alten formantbasierten Stimmen.
- Passen Sie das Sprach-Tag an Ihren Text an. Eine
en-US-Stimme, die britische Schreibweisen liest, oder eine französische Stimme, die Englisch liest, verunstaltet die Aussprache, obwohl die Wörter korrekt sind. - Verwenden Sie beim Vergleichen von Stimmen Kopfhörer; Laptop-Lautsprecher verdecken die Unterschiede.
- Ist die Liste unter Firefox winzig, probieren Sie dieselbe Seite in Chrome oder Edge, bevor Sie den Text für unsprechbar halten.
Lokale versus Cloud-Stimmen
Nicht jede Stimme im Dropdown wird lokal erzeugt. Manche sind kompakte Engines, die mit dem Betriebssystem ausgeliefert werden und vollständig auf Ihrem Gerät laufen; andere sind „Network“- oder „Natural“-Stimmen, die den Text an einen Sprachdienst eines Anbieters senden und Audio zurückstreamen. Der Browser kennzeichnet sie nicht eindeutig, und in welche Kategorie eine Stimme fällt, hängt von der Plattform ab, nicht von dieser Seite. Ein praktischer Weg, sie zu unterscheiden, ist die Latenz: Lokale Stimmen beginnen fast sofort zu sprechen, Cloud-Stimmen pausieren kurz vor dem ersten Wort. Arbeiten Sie mit sensiblen Texten, wählen Sie eine Stimme, die sofort startet, oder testen Sie zuerst mit einem kurzen Satz. Beachten Sie, dass eine lokale Stimme nicht garantiert auf einem anderen Rechner verfügbar ist; der Katalog wird jedes Mal aus dem Gerät neu aufgebaut.
Rate, Tonhöhe und Lautstärke abstimmen
| Einstellung | Bereich | Schritt | Sinnvoller Startwert |
|---|---|---|---|
| Rate | 0,5x bis 2,0x | 0,1 | 1,0 für normales Zuhören, 0,85 zum Korrekturlesen, 1,4 zum Überfliegen |
| Tonhöhe | 0,0 bis 2,0 | 0,1 | 1,0; 0,8 bis 0,9 klingt ruhiger, Extreme klingen roboterhaft |
| Lautstärke | 0,0 bis 1,0 | 0,1 | 1,0, außer Sie mischen Audio |
Die Rate ist die Einstellung, die Sie am häufigsten ändern. Auf 0,85 herunterzugehen gibt Ihnen Zeit, ein wiederholtes Wort oder ein fehlendes Komma beim Zuhören zu bemerken. Auf 1,4 hochzugehen lässt Sie eine lange E-Mail schnell überprüfen. Tonhöhe und Lautstärke sind subtiler: Die Tonhöhe verschiebt das wahrgenommene Register der Stimme, und bei den Extremen interpoliert der Synthesizer so aggressiv, dass Wörter verschwimmen. Die Lautstärke ist nur die Wiedergabeverstärkung, nicht die Ausdruckskraft.
Praxisbeispiele
Einen 400-Wörter-Artikel Korrektur lesen. Fügen Sie den Entwurf ein, wählen Sie eine en-US-Stimme, stellen Sie die Rate auf 0,85 und die Tonhöhe auf 1,0 und drücken Sie Play. Lautes Vorlesen zwingt Sie, jedes Wort zu verarbeiten, sodass doppelte Wörter (the the) und kaputte Sätze auffallen. Stoppen Sie beim Fund, korrigieren Sie den Text und starten Sie Play erneut von vorn.
Einen fremdsprachigen Absatz üben. Fügen Sie einen spanischen Absatz ein, wählen Sie eine spanische (es-ES) Stimme, stellen Sie die Rate auf 0,7 und hören Sie zu. Erhöhen Sie dann die Rate auf 1,0 und wiederholen Sie. Erscheint keine spanische Stimme, hat das Betriebssystem keine installiert und das Tool kann sie nicht ersetzen.
Ein langes Dokument vorlesen. Ein Artikel mit 12.000 Zeichen überschreitet die Grenze von 5.000 Zeichen. Teilen Sie ihn an Absatzgrenzen in drei oder vier Blöcke, fügen Sie jeden nacheinander ein und drücken Sie Play. Das Aufteilen an Absätzen statt mitten im Satz hält die Prosodie natürlich.
Einschränkungen und bekannte Eigenheiten
- Nur Wiedergabe. Es gibt keinen Export nach MP3 oder WAV; das Audio wird nirgends aufgezeichnet.
- Obergrenze von 5.000 Zeichen. Sowohl durch das Eingabefeld als auch durch die Validierung durchgesetzt.
- Pause ist auf Mobilgeräten fragil. Manche Engines ignorieren das Fortsetzen nach einer Pause. Play bricht immer ab und startet neu, sodass sich das Tool wie „von vorn abspielen“ verhält statt wie echtes Fortsetzen.
- Kein SSML. Tags wie
prosodyoderbreakwerden als wörtliche Wörter vorgelesen, nicht interpretiert. - Keine Stimmeninstallation. Das Tool kann nur Stimmen nutzen, die das Gerät bereits hat.
- Wörtliches Lesen. Abkürzungen, Währungssymbole und Zahlenbereiche werden so ausgesprochen, wie sie geschrieben sind; das Ausschreiben ist die zuverlässige Option.
Verwandte Tools
Häufig gestellte Fragen
Warum ist das Stimmen-Dropdown leer oder die erwartete Stimme fehlt?
Die Liste kommt über den Browser vom Betriebssystem, hängt also vollständig vom Gerät ab. speechSynthesis.getVoices() liefert beim ersten Laden oft ein leeres Array und füllt sich kurz darauf über das voiceschanged-Ereignis, weshalb im Dropdown kurz „Loading voices“ stehen kann. Fehlt eine Stimme, die Sie anderswo nutzen, gibt Ihr Browser sie wahrscheinlich nicht preis: Firefox unter Desktop zeigt zum Beispiel meist weniger Stimmen als Chrome oder Edge auf demselben Rechner. Ein Neuladen der Seite, ein Browser-Update oder ein installiertes System-Sprachpaket können ändern, was erscheint.
Kann ich den gesprochenen Text als MP3- oder WAV-Datei exportieren?
Nein. Die Web Speech API gibt Audio direkt an die Lautsprecher aus und stellt keinen Puffer bereit, daher kann dieses Tool keine Datei speichern. Brauchen Sie eine herunterladbare Aufnahme, spielen Sie den Text ab und erfassen Sie die Ausgabe mit einem Audiorekorder oder einem Bildschirmrekorder, der Systemaudio einschließt, oder nutzen Sie einen Dienst, der den Dateiexport ausdrücklich anbietet.
Was passiert, wenn ich mehr als 5.000 Zeichen einfüge?
Das Textfeld nimmt ab 5.000 Zeichen nichts mehr an, und die Play-Schaltfläche prüft dieselbe Grenze vor dem Sprechen. Die Obergrenze existiert, weil sehr lange Äußerungen langsam starten und in manchen Browsern abgeschnitten werden oder still scheitern. Teilen Sie lange Dokumente in Blöcke von einigen Hundert bis ein paar Tausend Zeichen und spielen Sie sie nacheinander ab.
Warum verhält sich Pause auf meinem Handy anders als auf dem Desktop?
Pause stützt sich auf speechSynthesis.pause(), was manche Mobil-Implementierungen schlecht handhaben: Das Audio stoppt, lässt sich aber nicht fortsetzen, oder es beendet erst den aktuellen Satz. Diese Seite bietet nur Play, Pause und Stop, und ein Druck auf Play bricht jede laufende Äußerung ab und startet von vorn. Stockt Pause auf Ihrem Gerät, verwenden Sie Stop und spielen Sie einen kürzeren Abschnitt.
Muss ich Zahlen und Abkürzungen für die richtige Aussprache ausschreiben?
Oft ja. Die Sprachmaschine liest die wörtlichen Zeichen, die sie bekommt, also wird „Dr.“ vielleicht als Buchstaben gelesen, „3.5“ je nach Stimme als three point five oder three dot five, und Datumsangaben wie 01/05 sind mehrdeutig. Schreiben Sie Doctor, three point five oder January fifth aus, ergibt das weit vorhersagbarere Ergebnisse. Satzzeichen werden als Pausen interpretiert, Kommas und Punkte prägen also tatsächlich den Rhythmus.
Beendet eine höhere Rate einen langen Text immer in proportional kürzerer Zeit?
Ungefähr, aber nicht exakt. Eine Rate von 2,0 entspricht etwa der doppelten Standardgeschwindigkeit, doch Browser und Stimmen unterscheiden sich darin, wie stark sie Pausen und Phoneme komprimieren, die echte Dauer kann also je nach Stimme schwanken. Extrem hohe oder niedrige Raten verzerren bei manchen Engines stark und machen Wörter schwer verständlich. Raten zwischen 0,8 und 1,5 bleiben in der Regel verständlich.
Geprüft vom HandyTools-Hub-Team · Zuletzt aktualisiert