Was ist Text-to-Speech (TTS)?

Text-to-Speech kurz erklärt

Text-to-Speech, kurz TTS, bezeichnet die automatische Umwandlung von geschriebenem Text in gesprochene Sprache. Ein TTS-System analysiert Wörter, Satzzeichen und sprachliche Zusammenhänge und erzeugt daraus eine Audiospur. Moderne Systeme verwenden dafür meist neuronale Sprachmodelle und künstlich erzeugte Stimmen.

Bei Telefonansagen ist die erzeugte Stimme nur ein Teil des Ergebnisses. Entscheidend ist, ob Firmennamen, Abkürzungen und Zahlen korrekt gesprochen werden, Pausen an den richtigen Stellen sitzen und die fertige Datei zur Telefonanlage passt. Eine natürlich klingende Vorschau am Computer kann über eine schmalbandige Telefonverbindung deutlich anders wirken.

So entsteht aus Text eine Stimme

Vereinfacht läuft die Sprachsynthese in drei Schritten ab: Zuerst wird der Text sprachlich analysiert. Danach legt das System Aussprache, Betonung, Pausen und Rhythmus fest. Schließlich erzeugt ein sogenannter Vocoder das hörbare Audiosignal.

Die Qualität hängt deshalb nicht nur von der gewählten Stimme ab. Satzbau, Schreibweise und Zeichensetzung beeinflussen das Ergebnis ebenso. Kurze Sätze, eindeutige Handlungsanweisungen und eine konsequente Schreibweise von Namen liefern bei Telefonansagen meist bessere Ergebnisse als lange Werbetexte oder ungeprüfte Textbausteine.

Was SSML steuert

SSML steht für Speech Synthesis Markup Language. Der W3C-Standard beschreibt Markierungen, mit denen Anwendungen unter anderem Pausen, Aussprache, Betonung und Sprechgeschwindigkeit steuern können. Welche Befehle tatsächlich unterstützt werden, hängt vom jeweiligen Sprachdienst ab.

SSML ist besonders hilfreich bei Eigennamen, Buchstabenfolgen, Rufnummern, Uhrzeiten oder Abkürzungen. Es ersetzt aber keine Hörkontrolle: Eine Anweisung kann technisch korrekt sein und im konkreten Satz trotzdem unnatürlich klingen. Deshalb sollte jede geschäftliche Ansage im Zusammenhang des vollständigen Callflows geprüft werden.

Quelle: W3C – Speech Synthesis Markup Language (SSML) 1.1

TTS für Telefonanlagen vorbereiten

Telefonanlagen und Cloud-PBX-Systeme erwarten je nach Hersteller unterschiedliche Dateiformate, Sampleraten und Codecs. Häufig begegnen einem WAV beziehungsweise PCM sowie Telefonie-Codecs wie G.711; für breitbandigere Sprachübertragung kommt unter anderem G.722 zum Einsatz. Zusätzlich können Mono-Ausgabe, Pegel, Dateinamen oder maximale Dateigrößen vorgegeben sein.

Darum sollte ein TTS-Ergebnis nicht ungeprüft aus dem Browser in die Anlage geladen werden. Der sichere Weg ist: Text freigeben, Aussprache und Pausen kontrollieren, mit dem Ziel-Codec exportieren und anschließend über einen echten Testanruf abhören. Unsere Übersicht zu Audioformaten für Telefonanlagen und die Testdateien für Telefonanlagen helfen bei der technischen Prüfung.

Quellen: ITU-T G.711, ITU-T G.722

Wann TTS sinnvoll ist

Text-to-Speech eignet sich besonders für schnelle Entwürfe, häufig wechselnde Hinweise, saisonale Ansagen und Situationen, in denen ein Team Texte später selbst anpassen möchte. Auch vor einer professionellen Produktion kann eine synthetische Vorschau helfen: Der Ablauf wird hörbar, bevor alle Sprecheraufnahmen beauftragt sind.

Grenzen zeigen sich bei stark markenprägenden Begrüßungen, emotionalen Botschaften, ungewöhnlichen Namen oder einer Tonalität, die sehr fein geführt werden muss. Dann kann eine professionelle Sprecherin oder ein professioneller Sprecher glaubwürdiger und konsistenter wirken. Entscheidend ist nicht „KI oder Mensch“ als Grundsatzfrage, sondern die Rolle der Ansage im Kundenerlebnis.

TTS, KI-Stimme und Voicebot unterscheiden

TTS ist die Technologie, die Text in Audio umwandelt. Eine KI-Stimme ist die konkrete synthetische Stimme, die dabei zu hören ist. Ein Voicebot geht weiter: Er verarbeitet Eingaben von Anrufenden und erzeugt abhängig vom Gespräch unterschiedliche Antworten. Eine klassische Telefonansage bleibt dagegen ein vorbereiteter Baustein in einem definierten Anrufablauf.

Mehr zur Stimme steht im Wiki-Eintrag Was ist eine KI-Stimme?. Den Unterschied zwischen dynamischem Bot und klassischer Telefonanlage erklärt der Vergleich KI-Voicebot oder Telefonanlage mit echten Sprechern?.

Von der Definition in die Praxis

Im KI Telefonansagen Generator lassen sich Bedarf, Text und Stimme zu einem ersten hörbaren Entwurf verbinden. Der Preis und der geplante Umfang sind vor der Freigabe sichtbar; spätere Änderungen bleiben möglich. Für mehrstufige Menüs, Routing und Sonderzeiten zeigt das Call Flow Studio den vollständigen Anrufablauf.