Sprachausgaben

Sprachausgaben, auch Text-to-Speech (TTS) genannt, bezeichnet die technische Erzeugung von hörbarer Sprache aus geschriebenem Text oder anderen Reizen. Ziel ist es, Inhalte akustisch wiederzugeben, ohne dass eine menschliche Stimme erforderlich ist.

Technologien: Es gibt verschiedene Ansätze. Formantensynthese erzeugt Sprache direkt durch Modelle der Stimmenmechanik; konkatenative Synthesis setzt kleine Sprach-Einheiten zu Wörtern zusammen; neuronale TTS nutzt deep learning, um natürliche, fließende Sprache aus Textlagen zu generieren. Moderne Systeme kombinieren oft mehrere Modelle. Die Qualität hängt von Prosodie (Intonation, Rhythmus) und Sprechermerkmalen ab.

Bestandteile: Typische Sprachausgabesysteme umfassen Textnormalisierung (Zahlen, Abkürzungen aussprechen), linguistische Verarbeitung, Prosodievermittlung, Stimmsimulation und die eigentliche Waveform-Synthese. Zusätzlich ermöglichen Markup-Sprachen wie SSML die Feinsteuerung von Betonung, Pausen und Lautstärke.

Anwendungen: Barrierefreiheit für Blinde und Sehbehinderte, Navigation, Call-Center, Smart-Home-Assistenten, E-Books, Anleitungen und Medien.

Qualität und Bewertung: Wichtige Kriterien sind Natürlichkeit, Verständlichkeit, Lautheit, Interpunktion und Latenz. Güte wird oft mit MOS-Werten oder hörbasierten Tests gemessen.

Standards und Herausforderungen: SSML wird von W3C genutzt. Datenschutz und ethische Fragen betreffen Stimme-Cloneings, Identitätsschutz, Bias in Stimmmodellen. Zukünftige Entwicklungen zielen auf individuell anpassbare Stimmen und mehr Kontextverständnis.