Text-to-Speech-Vertonung (Hörbücher, E-Learning, IVR)

Eine Vertonung im Studio aufzunehmen ist langsam und teuer, und jede Textänderung bedeutet eine neue Aufnahme. Neuronale Sprachsynthese (Text-to-Speech, TTS) erzeugt heute nahezu menschliche, ausdrucksstarke Stimmen in Dutzenden Sprachen aus einem Skript, in Minuten und für Cent pro Audiominute. Sie wird für Hörbücher, Kurs- vertonung, Telefonmenüs, Nachrichtenvorleser, Barrierefreiheit und zunehmend für KI-erzeugte Audio- Briefings und Podcasts aus Dokumenten eingesetzt. Seit Art. 50 der KI-Verordnung (AI Act) (anwendbar seit dem 2. Aug. 2026; Kennzeichnung nach Art. 50 Abs. 2 für bereits auf dem Markt befindliche generative Systeme: 2. Dez. 2026) muss synthetisches Audio als maschinell erzeugt gekennzeichnet werden.

Problem & Nutzen

• Heute: Audio wird mit Sprecherinnen und Sprechern und Tonstudios produziert oder gar nicht. Verlage lassen die meisten Titel ihrer Backlist unvertont; Schulungsteams verzichten auf Vertonung oder aktualisieren sie nie; IVR-Ansagen werden bei jeder Änderung und in jeder Sprache neu aufgenommen; viele Websites bieten keine Audioversion.
• KI-Nutzen: Audio auf Abruf und in vielen Sprachen, sofortige Aktualisierung (einen Satz ändern, einen Clip neu erzeugen), gleichbleibende Stimme, geringere Kosten pro fertiger Minute und Barrierefreiheit für Menschen mit Sehbeeinträchtigung, Legasthenie oder geringer Lesekompetenz. Professionelle Sprecher behalten ihren Wert für hochwertige, emotional anspruchsvolle Titel.
• Marktbelege: große Hörbuchplattformen akzeptieren oder bieten inzwischen KI-gesprochene Titel mit Kennzeichnung an (z. B. die automatische Vertonung von Google Play Books, das KI-Sprecherprogramm von Audible), und Google NotebookLM hat mehrstimmige „Audio Overviews“ aus Nutzerdokumenten bekannt gemacht [3][4]. Verlassen Sie sich nicht auf Einsparversprechen der Anbieter; messen Sie an Ihren eigenen Inhalten.

Varianten

• Hörbücher & Verlagswesen: lange Formate, ein- oder mehrstimmige Vertonung von EPUB/Manuskripten mit Kapitelbehandlung, Aussprachelexika und menschlicher Korrektur; oft hybrid (KI als erster Durchgang, menschliche Qualitätssicherung oder menschliche Hauptstimme).
• E-Learning & betriebliche Schulung: Vertonung von Folien/Skripten, synchronisierte Untertitel, sofortiges Neuerzeugen bei Inhaltsänderungen, 20+ Sprachen aus einem Skript (siehe EDU-006).
• IVR- & Telefonie-Ansagen: statische Ansagebibliotheken und dynamische Ansagen (Namen, Beträge, Daten) in 8-kHz-Telefonqualität; TTS-Streaming mit geringer Latenz, wenn sie Teil eines Voicebots ist (CONV-002, CONV-008).
• KI-Audio-Briefings & Podcasts aus Dokumenten (Formatvariante): Ein LLM macht aus Berichten, Fachartikeln oder Besprechungsunterlagen ein Dialogskript für zwei Moderatoren (Zusammenfassung, siehe LANG-008), und eine mehrstimmige, ausdrucksstarke TTS spricht es ein. Beleg: NotebookLM Audio Overviews [4] sowie ähnliche Funktionen bei ElevenLabs und OpenAI. Es ist eine Kombination vorhandener Bausteine, keine neue Fähigkeit; das Hauptrisiko ist die Treue des erzeugten Skripts zur Quelle.

So funktioniert es

1. source text (CMS, EPUB, DOCX, LLM-generated script)
2. text normalisation (numbers, dates, abbreviations, language tagging)
3. optional LLM pass: script rewrite for listening, dialogue script, SSML/emotion tags
4. pronunciation lexicon (names, product terms, IPA/phoneme overrides)
5. TTS model (voice, language, style, speed)
6. audio + word timestamps
7. post-processing (loudness normalisation, silence trimming, music bed, format/codec)
8. human review (spot-check, proof-listen of critical passages)
9. marking/disclosure (metadata watermark, "AI voice" label)
10. publish / IVR deploy

• Modellfamilien: autoregressive Codec-Sprachmodell-TTS und Diffusions-/Flow-Matching-TTS erzeugen Sprache aus Text plus einem Stimm-Prompt; Streaming-Varianten liefern das erste Audio in deutlich unter einer Sekunde für Voicebots.
• Steuerbarkeit: SSML-Tags, eingebettete Emotions-/Stil-Tags und Lexika; die Qualität bei langen Texten hängt von einer Zerlegung in Abschnitte mit gleichbleibender Stimme und Prosodie über Kapitel hinweg ab.
• Mensch-in-der-Schleife (Human-in-the-Loop): Korrekturhören von Namen, Zahlen und Rechtstexten; Freigabe von Stimme und Rechten; Abnahme vor der öffentlichen Veröffentlichung. Jede sicherheitsrelevante Ansage (z. B. IVR für Notfälle, Medikamentenhinweise) muss von einem Menschen geprüft werden.

Datenaufbereitung

TTS braucht wenig Trainingsdaten: den Quelltext (Manuskripte, E-Learning-Skripte, IVR-Ansagen, Artikel), ein Aussprachelexikon und eine Entscheidung über die Stimme. Im Mittelstand liegen die Texte in Word- oder PDF-Dateien auf Dateiservern, in einem CMS oder LMS oder im Telefoniesystem als alte Aufnahmen.

Typische Lücken: eingescannte oder layoutlastige PDFs, die sich nicht sauber umwandeln lassen, uneinheitliche Produktnamen und Akronyme, falsch gelesene Zahlen und Abkürzungen, doppelte Skriptversionen und unklare Rechte an Texten und Stimmen.

Schritte der Aufbereitung: 1. Scans und PDFs in sauberen Text umwandeln; wo nötig OCR einsetzen (PREP-006, PREP-007). 2. Text normalisieren: Abkürzungen auflösen, Zahlen ausschreiben, Sprachwechsel markieren, SSML-Pausen setzen. 3. Ein Aussprachelexikon für Markennamen, Akronyme und Ortsnamen aufbauen (PREP-015) und in einer gemeinsamen Datei pflegen. 4. Eine freigegebene Stimme auswählen, die Lizenz bzw. Einwilligung dokumentieren und ein kurzes Referenzskript als Testsatz anlegen (PREP-016, PREP-018). 5. Skripte an einer Stelle versionieren, damit aktualisierte Ansagen altes Audio ersetzen.

Grober Anteil am Gesamtaufwand: etwa 10 bis 15 Prozent; die meiste Zeit fließt in die Textbereinigung und in Hörtests. Für einen Schnelltest siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• smb: Weg A, weil ausgereifte, in der EU betreibbare TTS-Produkte mit lizenzierten Stimmen und einfachen Web-Editoren zu KMU-Preisen verfügbar sind und Vertonung ein Standardprozess ist.
• enterprise: Weg B, weil große IVR- und E-Learning-Bibliotheken am besten per API in bestehenden Inhalts- und Telefonie-Workflows erzeugt werden, mit Mengenpreisen.
• developer: Weg B, weil sich TTS-APIs mit Streaming und SSML mit wenig Aufwand direkt in eigene Apps integrieren lassen.
• public: Weg C, weil Behörden einen souveränen oder On-Premises-Betrieb bevorzugen und Open-Source-Stimmen Beschaffungs- und Lizenzhürden bei öffentlichen Durchsagen vermeiden.
• private: Weg C, weil lokale Apps und Open-Source-Stimmen (Piper, Kokoro-Klasse) auf einem normalen Laptop laufen und Texte privat bleiben.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Sprecher- und Vertonungsstudios (SaaS): ElevenLabs (auch Reader, Hörbuchveröffentlichung), Murf, WellSaid, Speechify, LOVO. EU: ReadSpeaker (Schweden), Acapela Group (Frankreich/Belgien), weitere regionale Anbieter; viele E-Learning- Werkzeuge (Articulate 360, Synthesia, Camtasia, Microsoft Clipchamp) bringen TTS mit.
• Hörbuchplattformen: automatische Vertonung von Google Play Books, Audible (KI-Sprecherprogramm), vorbehaltlich der aktuellen Verlagsbedingungen.
• IVR/Contact Center: TTS ist in die Telefonieplattform eingebaut (Genesys, Amazon Connect, Twilio, Business-Plattformen von Telekom/Vodafone, 3CX).
• Weg A wählen, wenn: das Audiovolumen moderat ist, Sie einen ausgereiften Editor brauchen und die Lizenzierung von Standardstimmen akzeptabel ist. Prüfen Sie EU-Datenverarbeitung, Aufbewahrung hochgeladener Texte, Lizenzbedingungen der Stimmen und Rechte zur kommerziellen Nutzung.

Weg B — Auf Cloud-KI-Diensten aufbauen

• TTS der Hyperscaler: Azure AI Speech (neuronale und HD-Stimmen, Custom Neural Voice, EU-Regionen), Google Cloud Text-to-Speech (Chirp 3 HD, Gemini-TTS, EU-Standorte), Amazon Polly (Regionen Frankfurt/Irland, neuronale und generative Stimmen) [1][2].
• Spezial-APIs: ElevenLabs API (v3-Modell mit Ausdruck, Flash für geringe Latenz, Optionen zur Datenhaltung in der EU für Unternehmen), OpenAI TTS API (gpt-4o-mini-tts mit steuerbarem Stil), Cartesia, Deepgram Aura. EU/UK: Speechmatics (UK) sowie die oben genannten europäischen Anbieter.
• Weg B wählen, wenn: Sie die Vertonung in Ihre eigene App, Ihr LMS oder CMS integrieren.

Weg C — Selbst betreiben (Open Source)

• Modelle mit offenen Gewichten (Lizenz jeweils auf kommerzielle Nutzung prüfen): Kokoro-82M (Apache-2.0, winzig, schnell), Piper (MIT-/GPL-Varianten, läuft auf CPU und Raspberry Pi, viele EU-Sprachen), Coqui XTTS-v2 (nichtkommerzielle CPL-Lizenz, mit Vorsicht verwenden), Fish Speech / OpenAudio, Chatterbox (MIT, mit eingebautem Wasserzeichen), Orpheus-TTS, Dia, F5-TTS, Parler-TTS [5][6]. Die Qualität bei Deutsch und anderen EU-Sprachen schwankt stark zwischen den Modellen; testen Sie mit Ihrem eigenen Text.
• Hardware: Piper und Kokoro laufen auf CPU/HW1; LLM-basierte ausdrucksstarke Modelle brauchen eine 8-24-GB-GPU (HW1-HW2) für Synthese in Echtzeit oder schneller.
• Weg C wählen, wenn: Texte vertraulich sind (unveröffentlichte Manuskripte, interne Personalinhalte), das Volumen groß ist oder Souveränität einen Betrieb On-Premises verlangt.

Weg D — Eigenes Training

Lohnt sich für eine Marken- oder Sprecherstimme (mit ausdrücklicher schriftlicher Einwilligung der Stimminhaberin bzw. des Stimminhabers), eine seltene Sprache oder einen Dialekt oder für Fachvokabular. Üblich sind einige Stunden bis Dutzende Stunden sauberes, einheitlich aufgenommenes Studioaudio mit Transkripten; kommerzielle Dienste bieten auch professionelle Stimmklone aus 30 Minuten bis wenigen Stunden an. Klären Sie zuerst Einwilligung, Vertrag und Widerrufsbedingungen (siehe SPEECH-007).

Stand der Technik (2026)

• Qualität: Spitzenmodelle werden in Hörtests bei kurzen Passagen oft als nahe an menschlicher Sprache bewertet; Community-Arenen wie die TTS Arena (Hugging Face) reihen offene und kommerzielle Modelle nach blinder Präferenz. Ausdrucks-Tags, Emotionssteuerung und Dialoge mit mehreren Sprechern sind bei führenden Produkten Standard.
• Offene Modelle haben einen großen Teil des Abstands geschlossen: Kokoro, Chatterbox, Fish Speech und ähnliche Modelle liefern auf Standardhardware gute Qualität in Englisch; die mehrsprachige Abdeckung für EU-Sprachen und die Konsistenz der Prosodie über Stunden hinken den besten kommerziellen Systemen noch hinterher.
• Fehlerbilder: falsch ausgesprochene Namen, Zahlen, Homografen und Abkürzungen; Abdriften von Stimme oder Tempo über lange Kapitel; halluzinierte oder übersprungene Wörter bei autoregressiven Modellen; flache Prosodie bei Dialogen und Gedichten; schlechte Wiedergabe in 8-kHz-Telefonie, wenn auf Studioaudio abgestimmt; Lücken bei Dialekten.
• Standards und Herkunftsnachweis: C2PA Content Credentials und Audio-Wasserzeichen (z. B. Google SynthID, Wasserzeichen der Anbieter) dienen der Kennzeichnung synthetischen Audios, doch kein Wasserzeichen übersteht jede Neukodierung; kombinieren Sie Metadaten, sichtbare Kennzeichen und Protokolle.

Gemeinsame Bausteine & Kombinationen

• Gleiche Fähigkeit (tts): SPEECH-007 Stimmklonen & Synchronisation, SPEECH-014 Audiodeskription, SPEECH-018 unterstützende Sprachtechnik, SPEECH-019 Stimmumwandlung, CONV-002 / CONV-008 Sprachagenten, CONV-014 Assistenten im Fahrzeug.
• Vorgelagert: LANG-008 (Zusammenfassungen zum Vertonen), LANG-Übersetzungs-Workflows und SPEECH-003 für mehrsprachige Fassungen, DOC-026 (barrierefreie Dokumente liefern eine saubere Lesereihenfolge für TTS), EDU-006 (Schulungsinhalte).
• Nachgelagert: SPEECH-004 / SPEECH-008 (Untertitel, Lautheit und Mastering), Podcast- und Videowerkzeuge.
• Hardware: Eine GPU (HW2) kann TTS neben ASR und einem kleinen LLM für einen vollständigen Sprach-Stack bedienen.

Aufwand, Kosten & Kennzahlen

• Aufwand: Weg A Tage; B 1-4 Wochen; C 2-6 Wochen; D Monate. Die Kosten skalieren mit den synthetisierten Zeichen; wiederkehrende IVR-Ansagen zwischenspeichern.
• Kennzahlen: Kosten pro fertiger Audiominute, Durchlaufzeit, Hörerbewertungen (MOS oder A/B-Vergleich mit menschlicher Stimme), Aussprachefehlerrate pro Stunde, Durchhör- und Abschlussquote, IVR-Eindämmung und Anruferzufriedenheit, Anteil der Inhalte mit Audioversion, Anteil korrekt gekennzeichneten Audios.

Menschen & Veränderung

Binden Sie die Abteilungsleitung ein, der die Inhalte gehören (Schulung, Marketing, Kundenservice), die Endnutzer, die das Audio hören oder pflegen, die IT für die Anbindung an Telefonie oder LMS sowie die Rechtsabteilung für Stimmlizenzen und Rechte. Die Geschäftsleitung entscheidet über Stimme und Markenton.

Betriebsrat: in der Regel nein, weil das Ergebnis Audio für Kunden oder Lernende ist und keine Beschäftigten überwacht. Es kommt nur darauf an, ob die erzeugte Vertonung Sprecher aus der Belegschaft ersetzt oder in der Personalschulung mit Lernverfolgung genutzt wird; dann gelten §87 Abs. 1 Nr. 6 und §90 Abs. 1 Nr. 3 BetrVG. Informieren Sie den Betriebsrat trotzdem früh, wenn Stimmen von Mitarbeitenden ersetzt werden.

Datenschutz: meist keine personenbezogenen Daten in den Skripten; prüfen Sie Texte mit Kundendaten und schließen Sie einen AVV (Art. 28 DSGVO) mit dem TTS-Anbieter. Beziehen Sie die bzw. den Datenschutzbeauftragten nur ein, wenn personenbezogene Daten vorgelesen werden.

Transparenz: Art. 50 der KI-Verordnung (AI Act) verlangt, dass synthetisches Audio offengelegt wird, wo es für menschlich gehalten werden könnte, und die Kennzeichnung gilt für Anbieter von Generatoren (siehe GUIDE-014).

KI-Kompetenz: ein kurzer Workshop zu Korrekturlesen, Aussprachekontrolle und Stimmlizenzen (GUIDE-006).

Pilot: Beginnen Sie mit einem E-Learning-Modul oder einem IVR-Menü. Typische Sorge: Verlust von Arbeit für Sprecher und die Qualität der Stimme. Halten Sie vor der Veröffentlichung eine menschliche Hörkontrolle ein und kennzeichnen Sie bei Hörbüchern synthetische Stimmen offen. Siehe GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): begrenztes Risiko. Art. 50 Abs. 2 verpflichtet Anbieter von KI-Systemen, die synthetisches Audio erzeugen, die Ausgaben in maschinenlesbarem Format zu kennzeichnen; Art. 50 Abs. 4 verpflichtet Betreiber von Deepfake- Audio (Stimmen, die reale Personen imitieren und mit echten verwechselt werden könnten), dies offenzulegen. Bei eindeutig künstlerischen oder kreativen Werken beschränkt sich die Pflicht auf eine Offenlegung, die den Genuss nicht beeinträchtigt; Texte, die veröffentlicht werden, um die Öffentlichkeit zu informieren, sind nur unter menschlicher redaktioneller Kontrolle ausgenommen. Die Pflichten gelten seit dem 2. Aug. 2026 (Kennzeichnung nach Art. 50 Abs. 2 für generative Systeme, die vor diesem Datum in Verkehr gebracht wurden: bis 2. Dez. 2026, Art. 111 Abs. 4, gemäß Digital Omnibus on AI); beachten Sie den Verhaltenskodex der Kommission zur Kennzeichnung [7][8]. Telefonbots müssen Anrufern zudem mitteilen, dass sie mit einer KI sprechen (Art. 50 Abs. 1). Art. 4 KI-Kompetenz gilt. Die Verwendung einer geklonten Stimme einer realen Person ohne Einwilligung ist ein rechtliches Risiko, selbst wenn sie nicht verboten ist (siehe SPEECH-007).
• DSGVO: Eine Stimme ist ein personenbezogenes Datum; ein Stimmklon einer realen Sprecherin bzw. eines Sprechers oder Mitarbeitenden braucht eine Rechtsgrundlage (Einwilligung plus Vertrag), Zweckbindung und Löschung auf Verlangen. Texte können personenbezogene Daten enthalten (Kundennamen in IVR, Personalinhalte); schließen Sie einen AVV, wählen Sie EU-Regionen, prüfen Sie, ob der Anbieter mit Ihren Eingaben trainiert, und vermeiden Sie es, sensible Daten an US-Dienste zu senden. Stimmdaten, die zur biometrischen Identifizierung genutzt werden, wären Daten besonderer Kategorien (hier nicht der Fall).
• Urheber- und Persönlichkeitsrechte: Rechte am Text, an der Stimme der Sprecherin bzw. des Sprechers (Verträge für Sprecher mit KI-Klauseln, Tarifverträge) und an den Trainingsdaten des TTS-Modells; prüfen Sie die Lizenzen offener Modelle auf kommerzielle Nutzung (z. B. XTTS nichtkommerziell). Plattform- regeln können die Offenlegung einer KI-Vertonung verlangen.
• Qualität und Sicherheit: falsch ausgesprochene Zahlen, Medikamentendosierungen oder Rechtsbegriffe können in die Irre führen; behalten Sie die menschliche Prüfung für sicherheits- und rechtlich relevantes Audio bei.

Erste Schritte

1. Einen Pilot wählen (z. B. 20 Hilfeartikel, ein Kursmodul oder das IVR-Menü) und 10 schwierige Testsätze mit Namen, Zahlen und Abkürzungen schreiben.
2. 3 Stimmen/Modelle blind mit 5 Hörern vergleichen: ein SaaS (Weg A), eine Cloud-API mit EU-Region (Weg B), ein offenes Modell (Weg C).
3. Ein Aussprachelexikon und eine SSML- oder Stilvorlage aufbauen; Lautheitsnormalisierung einrichten.
4. Menschliches Korrekturhören und ein Label „KI-erzeugte Stimme“ plus Kennzeichnung in den Metadaten ergänzen.
5. Stimmlizenzen und Ihre Datenverarbeitungsbedingungen vor der Veröffentlichung klären; einen Monat lang Kennzahlen messen.

Quellen

1. Microsoft — Azure AI Speech text to speech — https://learn.microsoft.com/azure/ai-services/speech-service/text-to-speech
2. Google Cloud — Text-to-Speech documentation — https://cloud.google.com/text-to-speech/docs
3. Amazon Polly — developer guide — https://docs.aws.amazon.com/polly/latest/dg/what-is.html
4. Google — NotebookLM Audio Overviews — https://support.google.com/notebooklm/answer/16212820
5. Kokoro-82M model card — https://huggingface.co/hexgrad/Kokoro-82M
6. Piper TTS project — https://github.com/OHF-Voice/piper1-gpl
7. Regulation (EU) 2024/1689 (AI Act), Art. 50 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. European Commission — AI Act regulatory framework — https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
9. ElevenLabs — text to speech documentation — https://elevenlabs.io/docs/capabilities/text-to-speech
10. OpenAI — Text to speech guide — https://platform.openai.com/docs/guides/text-to-speech