So funktioniert Text-to-Speech
Frühe Sprachsynthese setzte einzelne Laute aneinander. Das Ergebnis klang abgehackt und roboterhaft. Heutige Verfahren arbeiten mit neuronalen Netzen, die mit großen Mengen gesprochener Sprache trainiert wurden. Sie erzeugen ganze Sätze mit Satzmelodie, Pausen und Betonung. Viele Systeme lassen sich zusätzlich steuern, etwa in Tempo, Emotion oder Nachdruck.
Typische Stolpersteine
- Abkürzungen und Zahlen: „Q3“ oder „1.200“ muss die Stimme richtig auflösen.
- Produkt- und Eigennamen: Ein Aussprache-Lexikon legt fest, wie sie klingen.
- Anglizismen: Englische Begriffe in deutschem Text brauchen oft Hilfe.
- Tempo: Zu viel Text für zu wenig Filmzeit wirkt gehetzt. Der Skript-Längenrechner hilft bei der Planung.
Beispiel: Schulungsreihe mit monatlichen Updates
Ein erfundenes Beispiel: Ein Mobilfunkanbieter schult sein Servicepersonal jeden Monat zu neuen Tarifen. Mit Studioaufnahmen müsste für jede Änderung ein Termin gebucht werden. Mit Text-to-Speech wird der geänderte Satz im Skript angepasst und die Tonspur neu erzeugt, in derselben Stimme wie zuvor.
Text-to-Speech in mint
mint nutzt KI-Stimmen von ElevenLabs. Bei mint motion design sprechen sie Deutsch, Englisch und Französisch, mit Emotion und Betonung. Bei mint cinematic kommen Charakterstimmen für Figuren hinzu. Im Brand Kit hinterlegst du die Stimme je Sprache und ein Aussprache-Lexikon. Wie die Stimmen klingen, kannst du im KI-Stimmen-Check ausprobieren. Mehr zur Stimme aus dem Off steht unter Voice-over.