Künstliche Stimmen für Sprachproduktionen haben inzwischen ein beachtliches Qualitätsniveau erreicht. Wer heute ein E-Learning, einen Erklärfilm oder ein Marketing-Video produzieren möchte, überlegt vielleicht, ob nicht statt professioneller Sprecher auch KI-Stimmen eingesetzt werden könnten.
Die Antwort lautet: Es kommt drauf an! Worauf genau, erklären wir in diesem Beitrag.
Text-to-Speech klingt verlockend
Text-to-Speech mit künstlicher Intelligenz klingt verlockend: TTS ist schnell, günstig, in vielen Sprachen verfügbar und rund um die Uhr einsetzbar.
Doch wer Erfahrung mit synthetischen Stimmen hat, weiß, dass das gewünschte Ergebnis nur selten auf Knopfdruck erzielt wird. Woran liegt das?
TTS-Systeme benötigen mehr als nur den reinen Text
Ob erklärender Produkttext, E-Learning oder Voice-Over – die Sprachsynthese variiert von Stimme zu Stimme. Ein und derselbe Text kann völlig unterschiedlich klingen, je nachdem, von welcher Stimme er gesprochen wird. Denn viele KI-Stimmen unterscheiden sich nicht nur im Klang; auch ihre Sprechweisen – Betonung, Pausen, Intonation und Satzmelodie – und sogar die Aussprache einzelner Wörter sind oft verschieden.
In der Praxis entsteht zunächst Mehrarbeit.
- Finden Sie zunächst Stimmen, die Ihnen nicht nur klanglich zusagen, sondern auch die für Ihr Projekt passende Sprechweise mitbringen.
- Passen Sie die Schreibweise einzelner Ausdrücke, zum Beispiel Markennamen, Abkürzungen oder Eigennamen, in Ihrem Manuskript so an, dass die KI-Stimme sie phonetisch korrekt wiedergibt.
- Fügen Sie Pausen und Betonungen durch Kunstgriffe im Text oder mittels spezieller Markup-Sprachen wie SSML ein. Bedenken Sie, dass sogar unterschiedliche Stimmen desselben TTS-Anbieters nicht einheitlich auf solche Textauszeichnungen reagieren. Für ein perfektes Ergebnis sind daher iterative Tests und Justierungen notwendig. Das ist bei KI-Produktionen eher die Regel als die Ausnahme.
- Besonders heikel wird es bei Produktionen in mehreren Sprachen. Wer soll letztlich beurteilen, ob die Übersetzungen in die Zielsprachen einwandfrei sind? Wer sorgt dafür, dass sich das Sprechtempo bei eng getakteten Sequenzen anpasst? Und wer korrigiert stillschweigend kleine Textfehler?
Um all dies müssen Sie sich beim Einsatz professioneller Sprecher nicht kümmern – denen genügt ein professionell aufbereitetes Manuskript.
Wann lohnen sich KI-Stimmen?
Es gibt sie dennoch – die Produktionen, bei denen sich ein Dutzend Sprachen schnell und kostengünstig mit TTS realisieren lassen. Dazu gehören vor allem simple Texte, wie beispielsweise kurze Telefonansagen mit eindeutigem Inhalt.
Oder ein längerer Text wird ausschließlich für interne Zwecke genutzt, sodass Perfektion und Repräsentation nicht entscheidend sind.
Auch kann es sein, dass der Arbeitsaufwand für Nachbesserungen keine Rolle spielt, weil im Unternehmen das notwendige Personal mit entsprechender Kompetenz, den technischen Mitteln und ausreichend Zeit vorhanden ist. All das kann für den Einsatz von KI-Stimmen sprechen.
Letztlich hängt die richtige Entscheidung von Ihren Qualitätsanforderungen ab.
Zwei Fragen zur Entscheidung
Zumeist lässt sich anhand einfacher Fragen klären, ob ein Projekt mit synthetischen Stimmen oder doch besser mit muttersprachlichen Voice-Artists umgesetzt werden sollte:
Frage 1: Darf das Endergebnis hin und wieder falsche Aussprachen, fehlerhafte Betonungen oder gelegentlich eine sinnentstellende Satzmelodie enthalten? Wer solche Unvollkommenheiten in Kauf nimmt, kann mit TTS Zeit und Geld sparen und erhält dennoch Sprachaufnahmen, die überwiegend sehr gut klingen.
Frage 2: Muss das Ergebnis der Sprachproduktion perfekt sein und vor Veröffentlichung von mindestens einer kompetenten muttersprachlichen Instanz geprüft werden? Wenn ja, dann setzen Sie auf Profi-Sprecher.
Unser Fazit
KI-TTS ist ein mächtiges Werkzeug. Aber Achtung: Wer zu billig kauft, kauft zweimal.
Die Vorarbeiten für Produktionen mit synthetischen Stimmen sind aufwendiger als für Projekte mit menschlichen Stimmen. Sollte die Qualität im Nachhinein unbefriedigend sein, wird die Nachbearbeitung der synthetischen Stimmen langwieriger, aufwendiger und teurer als der Einsatz menschlicher Stimmen.
Für manche Projekte empfiehlt sich übrigens eine Kombination beider Produktionsmethoden. Lassen Sie sich beraten!
zappmedia verfügt über mehr als 20 Jahre Erfahrung in tausenden Sprachproduktionen in dutzenden Sprachen und bietet das technische Know-how sowie das sprachliche Fingerspitzengefühl für Ihre Sprachproduktion.
Sie wünschen ein konkretes Angebot? Wir helfen Ihnen gern, das optimale Verfahren für Ihr Projekt zu wählen.