Text-to-Speech mit KI

Eignet sich KI für Autor:innen, um damit Stimmaufnahmen zu generieren?

Viele glauben, KI mache alles einfacher, schneller, effizienter. Das stimmt oft nicht. Das Umwandeln eines Textes in eine synthetische Stimme, Text-to-Speech genannt, hat mich ein halbes Wochenende und viele Korrekturschleifen gekostet. In diesem Artikel beschreibe ich dir, wie ich vorgegangen bin, was funktioniert hat und was nicht. Am Ende des Beitrags findest du einen Vergleich verschiedener Audio-Tools als Download.

Die Ausgangssituation

Mein Blog "Literatur & Technologie" soll zusätzlich als Audioversion in einem Podcast erscheinen, damit die Texte einem breiteren Publikum zugänglich sind. Ich kenne mich mit Audioaufnahmen gut aus und habe schon öfter Texte auf die altmodische Art eingesprochen: Mit einer lokal installierten Software aufnehmen und schneiden, den Sound optimieren, die Datei im richtigen Format exportieren und schließlich hochladen.

Wenn ein Tool verspricht, aus einem geschriebenen Artikel in wenigen Minuten eine hörbare Folge zu machen, klingt das verlockend:
Das Zeitbudget für einen nebenberuflich betriebenen Blog wie meinen ist immer zu knapp. Statt selbst einzusprechen, generiert eine synthetische Stimme in kürzerer Zeit das Audio. Der Schnitt entfällt, weil die KI sich nie verliest oder verspricht. Die Soundoptimierung läuft vollautomatisch.
Mit Hilfe von MCPs kannst du das neu erstellte Audio automatisch an deinen Podcast schicken und veröffentlichen.

Klingt zu schön, um wahr zu sein, oder? Ist auch nicht wahr. Jedenfalls nicht, wenn man sich noch einen Rest Qualitätsanspruch bewahrt hat.

Aussprache: Zufall und nicht steuerbar

Vorab: Ich habe Elevenlabs genutzt. Es gibt andere Anbieter, und jeder hat Stärken und Schwächen. Dass ich diesen verwendet habe, heißt weder, dass ich ihn empfehle, noch, dass er schlechter ist als andere.

Da es keine nativ deutschsprachige Stimmen bei Elevenlabs gibt, habe ich eine "multilinguale" ausgewählt. Die Aussprache ist allerdings oft falsch und besonders schlecht ist sie, wenn Anglizismen in einem deutschen Text vorkommen. Anscheinend kann die KI dann nicht entscheiden, welches Sprachregister richtig ist.

Wären die Fehler konstant, ließen sie sich mit Ausspracheregeln beheben. Aber das Modell variiert dauernd und macht beispielsweise aus "KI" mal "Key Ei", mal "Käi Ä", mal "K [Pause] Gr I".
Theoretisch kann man mit verschiedenen Methoden Regeln für die Aussprache einzelner Worte formulieren. Dazu gehören die phonetische Schreibweise nach IPA (International Phonetic Alphabet) oder SSML. "Stimmsynthese" sieht in IPA-Schreibweise so aus: [ˈʃtɪmzʏnˌteːzə] – das kennt man beispielsweise aus Wikipedia und von Wörterbüchern. SSML ist eine Markup-Sprache (Speech Synthesis Markup Language) und damit noch besser geeignet für Maschinen. "Stimmsynthese" würde man damit so beschreiben:

Aber beides funktionierte mit Elevenlabs Stimmen nicht. Die Audiogenerierung blieb sehr zufällig. Davon abgesehen ist es ein unglaublicher Mehraufwand, aussprachekritische Begriffe mit IPA oder SSML zu beschreiben.

Der Horrormoment: die geklonte Stimme

Ich bin immer recht experimentierfreudig und habe trotz aller Bedenken meine eigene Stimme synthetisiert. Sie klingt erschreckend nah am Original; nur wer meine echte Stimme kennt, hört die Unterschiede. Aber die Aussprache war genauso unbrauchbar, wie mit den Stimmen "von der Stange".

Schlimmer war das unheimliche Gefühl, "meine Stimme" zu hören und zu wissen, dass ich den Text nie gesprochen hatte. Das ist jedenfalls ein Experiment, das ich nicht wiederholen werde. Und ich werde schon gar nicht zum next level Grusel übergehen, dem Avatar-Klon auf Basis eines Fotos. Solche Klone dürfen gerne fiktional bleiben, wie ich es in der Kurzgeschichte "Der Klon" erzählt habe.

Außerdem bleibt eine Frage offen: Wem gehört mein synthetischer Stimmklon?

Qualität und Arbeitsaufwand im Widerspruch

Tonoptimierung bei synthetischen Stimmen? Vergiss es. Die Stimme klingt in jedem Absatz anders, manchmal sogar wie eine andere Person. Zudem variiert die Lautstärke der Absätze so stark, dass nur aufwändige, manuelle Nachbearbeitung helfen würde. Ich hab's probiert – das kann man niemandem zumuten, nicht einmal sich selbst.

Die Automatisierung der Veröffentlichung erfüllt in der Praxis ebenfalls nicht die Versprechen der Werbung. Weil es für meine Podcast-Plattform (noch) keinen MCP-Server gibt, habe ich einen Skill entwickelt – auch das war wieder zeitraubend, aber nun hing ich einmal im Prozess drin und wollte es bis zum Ende durchziehen. Doch selbst mit einem MCP-Server wäre das Ganze zu viel Arbeit für eine Audiodatei von mässiger Qualität.

Lohnt sich der Aufwand?

In derselben Zeit, die ich gebraucht habe, um zwei Texte mit synthetischen Stimmen "sprechen" zu lassen, hätte ich mehrere Texte selbst einsprechen, schneiden und optimieren können. Ich mache das sonst mit der lokal installierten Open-Source-Anwendung 'Audacity', einem guten USB-Mikrofon und ein paar Maßnahmen, um den Raumklang zu verbessern. Export und Upload sind dann nur noch ein Klacks. Allerdings habe ich einen Vorteil: Über die Jahre konnte ich viel Erfahrung mit Schnitt und Klangoptimierung erlangen und kann deshalb recht zügig an Audiodateien arbeiten. Für wen das nicht der Fall ist, sind Online-Services wie Riverside sehr nützlich oder spezialisierte Podcaster-Tools wie Ultraschall.fm oder Hindenburg.

Für eine Aufwand-Nutzen-Abwägung zählen Laufzeit, Umfang und Nachfrage eines Projekts. Der Umfang bestimmt auch das Preismodell: Free-Versionen für synthetische Stimmen sind meist auf wenige Minuten pro Monat und sehr wenige Stimmen und Bearbeitungsfunktionen beschränkt, und für kleine Projekte wie mein Blog sind auch die günstigsten Abos schon recht teuer.

Wo KI dennoch hilft

An vielen Punkten der Audioproduktion können KI-Tools trotzdem hilfreich sein: Gerade bei der Produktion von Podcasts kann man LLMs nutzen, um Episodenbeschreibungen, Shownotes und Metadaten generieren zu lassen. Mit spezialisierten KI-Tools werden Tonoptimierung und Audio-Schnitt unterstützt. Und wenn du einen Text einfach "frei Schnauze" eingesprochen hast, kannst du automatisiert eine Transkription und Captions erstellen lassen.

Vieles davon ist bei Podigee, Podcaster oder Riverside integriert, und Trebble ermöglicht das Schneiden der Aufnahme auf Basis der Transkription. Nur: fast immer sind diese tollen Features erst in den teuren Abos enthalten. Womit die Aufwand-Nutzen-Frage wieder auf dem Tisch liegt.

KI-Nutzung transparent kommunizieren

Ein Tipp, falls du dennoch mit synthetischen Stimmen arbeiten willst: Lass gleich zu Beginn einen Absatz generieren, der die KI-Stimme kenntlich macht. Damit erfüllst du die Kennzeichnungspflicht aus dem EU AI Act, bist aber auch deinen Hörer:innen gegenüber fair.
Beispiel: "Der folgende Text wurde mit einer synthetischen Stimme mit Hilfe von KI generiert."

Download

Für Abonnent:innen folgt hier der Download des ausführlichen Tool-Vergleichs, Stand August 2026.