Warum KI-Vertonung endlich menschlich klingt (und wo sie noch patzt)

Wenn deine Erinnerung an Text-zu-Sprache eine flache, roboterhafte Stimme ist, die alles falsch ausspricht, ist diese Erinnerung überholt. Synthetische Vertonung ist schnell gut geworden und inzwischen angenehm genug, um ihr stundenlang zuzuhören. Zu wissen, was sich geändert hat, lohnt sich aus zwei Gründen: Es ist interessant, und es zeigt dir, wie du ein Buch am natürlichsten vorlesen lässt und wo du deine Erwartungen im Zaum halten solltest.

Der alte Ansatz, und warum er nach Roboter klang

Jahrzehntelang funktionierte Text-zu-Sprache auf eine von zwei mechanischen Arten.

Der ältere Ansatz baute Sprache aus Regeln darüber zusammen, wie Vokale und Konsonanten gebildet werden. Das erzeugte die unverkennbar blecherne, künstliche Stimme. Die nächste Generation, die konkatenative Synthese, nahm einen echten Menschen auf, der Tausende kleiner Klangfragmente sprach, und fügte sie im Flug zusammen. Auf der Ebene einzelner Wörter klang das menschlicher, aber die Nähte waren hörbar, und ein Gespür für den Satz als Ganzes fehlte. Die Wörter stimmten. Dargeboten wurden sie nicht.

Was all dem fehlte, war Prosodie: die Melodie der Sprache. Die Stimme, die am Ende einer Frage nach oben geht, die Betonung, die auf dem wichtigen Wort liegt, die kurze Pause vor einer überraschenden Wendung. Prosodie ist der größte Teil dessen, was eine Stimme lebendig klingen lässt, und Regel-und-Fragment-Systeme hatten davon fast keine.

Was sich geändert hat: Modelle, die Sprache lernen

Moderne Vertonung wird von neuronalen Netzen erzeugt, trainiert auf großen Mengen echter menschlicher Sprache. Statt Fragmente zusammenzustückeln, lernt das Modell die Muster natürlichen Vortrags und erzeugt den Klang in einem Stück. Prosodie lernt es aus Beispielen statt aus Regeln, also geht die Stimme bei Fragen nach oben und die Betonung trifft das richtige Wort, weit öfter als früher.

Zwei Dinge treiben die Qualität noch weiter. Größere Modelle, trainiert auf mehr und vielfältigerer Sprache, erfassen mehr Feinheiten. Und das Vorausrendern, statt in Echtzeit zu verarbeiten, gibt dem System Raum, über den ganzen Satz und Absatz zu planen und Tempo und Betonung zu formen, weil es weiß, was kommt. Genau das ist der Hauptgrund, warum fertig produziertes Cloud-Audio ruhig und geschmeidig klingt, während eine einfache Gerätestimme in Echtzeit bloß korrekt klingt.

Wo synthetische Sprache noch patzt

Das Problem ist nicht gelöst, und das zu behaupten würde niemandem helfen. Ein paar Dinge bringen selbst gute Systeme noch aus dem Tritt:

• Ungewöhnliche Namen und erfundene Wörter. Fantasy-Namen, seltene Nachnamen und fremde Lehnwörter sind Ratespiele, und manchmal liegen sie daneben.
• Homographen. Wörter, die gleich geschrieben, aber verschieden ausgesprochen werden. Im Englischen etwa „He will lead the way“ gegen „a lead pipe“ oder „a bass guitar“ gegen „a bass in the lake“. Das Modell muss den Sinn erschließen, um die richtige Aussprache zu wählen, und trifft dabei gelegentlich nicht.
• Ironie und Unterton. Ein sarkastischer Satz wird wörtlich vorgelesen, ohne den ironischen Ton, weil die Wörter ihn allein nicht tragen. Ein menschlicher Erzähler ergänzt ihn, weil er den Text versteht.
• Betonung über weite Strecken. Ein Rückbezug drei Absätze später, bei dem das Gewicht eines Wortes von etwas viel früher Gesagtem abhängt, ist schwer zu liefern.

Das sind die aktuellen Grenzen. Sie werden enger, aber sie sind real. Und deshalb gewinnt ein großartiger menschlicher Erzähler bei der Kunstfertigkeit weiterhin, wenn ein Buch von der Deutung lebt.

Wie ein Buch am natürlichsten klingt

Mit diesem Hintergrund helfen ein paar praktische Dinge:

• Wähl die vollere Variante für Bücher, die es verdienen. Die Stimmen auf dem Gerät sind kostenlos und sofort da, klingen aber etwas flach. Gerendertes Cloud-Audio, auf weit größeren Modellen produziert, klingt spürbar menschlicher. In BookNPC ist das die Studio-Option. Was die beiden voneinander unterscheidet, erklärt Gerätevertonung gegen Cloud-Audio.
• Auf iOS: installiere die hochwertigen Systemstimmen. Schon das kostenlose Vorlesen auf dem Gerät wird damit merklich besser. Dazu gibt es eine kurze Anleitung.
• Fang mit einer sauberen Kopie des Buchs an. Synthetisches Vorlesen klingt nur so gut wie der Text, den es bekommt. Ein ordentliches EPUB mit echter Struktur liest sich geschmeidig. Ein unordentlicher Export bringt jede Stimme zum Stolpern.

Das ehrliche Fazit

KI-Vertonung hat die Schwelle von „erträglich für Barrierefreiheit“ zu „genussvoll zum Hören“ überschritten. Für die meisten Bücher klingt sie die meiste Zeit inzwischen natürlich. Mit den besten menschlichen Darstellern bei Büchern, bei denen die Darbietung der eigentliche Punkt ist, kann sie noch nicht mithalten, und hin und wieder verheddert sie sich an einem Namen oder einem Wortspiel. Beides gilt gleichzeitig.

Das Entscheidende ist, was dadurch möglich wird: Jedes Buch, das dir gehört, klingt natürlich vorgelesen, nicht nur die wenigen, die je kommerziell aufgenommen wurden. BookNPC nutzt Cloud-Rendering für seine Studio-Stimmen und die Stimmen deines Geräts kostenlos, sodass du an einem Buch deiner Wahl selbst hören kannst, wo die Technik heute steht.