Glossareintrag
Wir denken. KI tippt mit.
Text-to-Speech (englisch für „Text zu Sprache“, kurz TTS, deutsch Sprachausgabe oder Sprachsynthese) wandelt geschriebenen Text in gesprochene Sprache um. Moderne TTS-Systeme erzeugen die Stimme mit neuronalen Netzen komplett neu, samt Betonung, Sprechpausen und Emotion. Ältere Sprachausgaben wie die klassische Navi- oder Bahnhofsansage setzten dagegen aufgenommene Sprachschnipsel aneinander. Daher stammt ihr abgehackter Roboterklang.
Die Gegenrichtung heißt Speech-to-Text (Spracherkennung) und wandelt Gesprochenes in Text um. Beide Techniken bilden zusammen mit einem Sprachmodell (LLM) das Grundgerüst eines Voice Agents, der am Telefon ganze Gespräche führt. Eine Spielart der Sprachausgabe ist das Voice Cloning, bei dem die KI die Stimme eines realen Menschen aus wenigen Minuten Audiomaterial nachbildet.
Das Modell WaveNet von Google DeepMind brachte 2016 den Durchbruch zur natürlichen KI-Stimme. Es errechnete die Tonspur erstmals Punkt für Punkt komplett neu, statt Aufnahmen zusammenzusetzen. In Hörtests hat es die besten damaligen Sprachausgaben deutlich übertroffen, nachzulesen in der WaveNet-Ankündigung von DeepMind. Für den Alltag war das Verfahren zunächst viel zu langsam. Eine beschleunigte Fassung rechnete ein Jahr später rund tausendfach schneller und kam 2018 in die Google-Cloud. Heutige Spitzenmodelle arbeiten wie große LLMs. Sie übersetzen den Text in Audio-Bausteine, aus denen ein zweites Netz die fertige Stimme errechnet und noch während der Berechnung als Datenstrom ausliefert.
Die Stimme steuern Nutzer heute per Klartext statt über Steuercodes. Bei OpenAIs Modell gpt-4o-mini-tts geben sie Tonlage, Tempo und Stimmung in einem Anweisungsfeld vor, wie die OpenAI-Vorstellung der Audio-Modelle zeigt. ElevenLabs setzt beim Modell Eleven v3 auf Regie-Marken direkt im Text, z. B. [whispers] für Flüstern, und deckt über 70 Sprachen ab. Googles Gemini-TTS versteht Regieanweisungen als normalen Prompt, spricht laut Gemini-Doku gut 80 Sprachen und vertont Dialoge mit zwei Sprechern. Der ältere XML-Standard SSML für Pausen und Aussprache-Regeln bleibt primär bei Microsoft Azure und Amazon Polly im Einsatz.
Für einen Stimmklon genügt wenig Material. ElevenLabs empfiehlt für das Sofort-Klonen ein bis zwei Minuten klares Audio. Microsofts Personal Voice baut aus einer Minute Sprachprobe in wenigen Sekunden einen Klon, der anschließend mehr als 90 Sprachen spricht. Microsoft gibt die Funktion nur geprüften Kunden frei und verlangt eine Einverständniserklärung des Sprechers. Offene Modelle wie Chatterbox kommen mit rund fünf Sekunden Aufnahme aus.
Menschliche Ohren erkennen den Unterschied kaum noch. In einer Studie der Queen Mary University of London aus dem Jahr 2025 hielten Hörer 58 Prozent der KI-Stimmklone für menschlich, echte Stimmen erkannten sie nur zu 62 Prozent. Das Team benötigte für seine Klone wenige Minuten Aufnahme, kaum Geld und kein Spezialwissen.
Bekanntester Anbieter für KI-Stimmen ist ElevenLabs. Investoren bewerteten das Unternehmen bei der Finanzierungsrunde im Februar 2026 mit 11 Milliarden Dollar. Kunden zahlen in Credits, die Tarife stehen auf der Preisseite von ElevenLabs. Eigene TTS-Modelle betreiben daneben OpenAI, Google, Microsoft und Amazon in ihren Cloud-Diensten, hinzu kommen Spezialisten wie ReadSpeaker für Vorlesefunktionen. Das offene, nur 82 Millionen Parameter kleine Modell Kokoro läuft sogar ohne Cloud auf einem normalen Rechner.
Neben der Kette aus Spracherkennung, Sprachmodell und Sprachausgabe entstehen Speech-to-Speech-Modelle wie GPT-Realtime von OpenAI oder Googles Gemini Live. Diese multimodalen Modelle verarbeiten und erzeugen Audio direkt, ohne den Umweg über Text.
Dieselbe Technik nutzen Betrüger. Die Verbraucherzentrale Bremen warnt vor Schockanrufen mit geklonten Stimmen und rät, aufzulegen, unter der bekannten Nummer zurückzurufen und in der Familie ein Codewort zu vereinbaren. Beim ersten dokumentierten „Fake President“-Fall mit Stimmimitation überwies der Geschäftsführer eines britischen Energieversorgers schon 2019 rund 220.000 Euro, weil er die Stimme seines deutschen Konzernchefs zu erkennen glaubte. Öffentlich gemacht hat den Fall der Kreditversicherer Allianz Trade. Die Hersteller halten mit Schutzmechanismen dagegen. Beim professionellen Klonen verlangt ElevenLabs eine Sprech-Verifizierung in Echtzeit und sperrt nach eigenen Angaben die Stimmen bekannter Politiker über eine automatische Erkennung. Der EU AI Act verpflichtet Anbieter seit dem 2. August 2026, KI-generiertes Audio maschinenlesbar zu markieren, z. B. per Wasserzeichen.
Text-to-Speech steckt kostenlos schon in den Geräten im Betrieb. Windows liest mit der eingebauten „Sprachausgabe“ den Bildschirm vor, der Browser Microsoft Edge ganze Webseiten über „Laut vorlesen“, und jedes Smartphone bringt eine Vorlesefunktion mit. Wer sich ein Angebot oder einen Website-Text einmal vorlesen lässt, hört Tippfehler und Schachtelsätze schneller, als er sie beim Lesen findet.
Telefonansagen lassen sich komplett aus Text erzeugen. Ansagen-Generatoren und Dienste wie ElevenLabs machen aus dem getippten Text in wenigen Minuten eine MP3-Datei für Begrüßung, Warteschleife oder Urlaubsansage, jederzeit änderbar, ohne dass ein Sprecher neu gebucht werden muss.
Wo eine Ansage nicht reicht, übernimmt ein Voice Agent das komplette Gespräch. Anbieter wie HalloPetra aus Berlin richten KI-Telefonassistenten für Handwerksbetriebe ein und klonen auf Wunsch die Stimme aus dem eigenen Team; Funktionsumfang und Tarife stehen auf der Preisseite.
Für Marketing und Schulung vertont TTS Erklärvideos, Social-Media-Clips und Unterweisungen. Googles NotebookLM erzeugt aus hochgeladenen Dokumenten sogar einen kompletten Podcast, in dem zwei KI-Stimmen auf Deutsch über den Inhalt sprechen, z. B. über die eigene Preisliste oder eine Montageanleitung fürs Team.
Seit dem 28. Juni 2025 gilt das Barrierefreiheitsstärkungsgesetz (BFSG), auf das sich viele Anbieter von Vorlesefunktionen berufen. Websites betrifft es aber nur, wenn dort Verträge mit Verbrauchern geschlossen werden, z. B. in einem Online-Shop. Die reine Firmen-Website eines Handwerksbetriebs fällt nicht darunter, und Kleinstunternehmen mit weniger als 10 Beschäftigten und höchstens 2 Millionen Euro Jahresumsatz sind bei Dienstleistungen ausgenommen. Ein Vorlese-Knopf ersetzt außerdem keinen Screenreader, denn blinde Nutzer navigieren mit eigener Software durch die Seitenstruktur. Für die Barrierefreiheit zählt deshalb eine gut strukturierte Seite mehr als eine Vorlesefunktion.
