☁️ Cloud · Credits

Text in Sprache

Verwandeln Sie Text mit neuronalen Stimmen in natürliches MP3-Sprachaudio — Mandarin und zwei englische Stimmen

🪙 … Neuronale Sprachsynthese auf unserem Server: 2 Punkte pro Auftrag

Stimme

Bis zu 20.000 Zeichen pro Auftrag — etwa 30 Minuten Sprache. Die MP3 wird nach Abschluss heruntergeladen.

Geben Sie den Text ein oder fügen Sie ihn ein — bis zu 20.000 Zeichen pro Auftrag 0 / 20000

Sprachengine und praktische Grenzen

Die Synthese läuft auf einer neuronalen TTS-Engine mit vier Stimmprofilen:

Zh weiblich / Zh männlich — optimiert auf die Prosodie des Festland-Mandarin, spricht Zahlen und Daten idiomatisch.
En weiblich / En männlich — neutraler Akzent, sinnvolle Pausen an Satzzeichen und Überschriften.

Lange Texte werden an Satzgrenzen in unabhängig synthetisierte Blöcke zerlegt und anschließend lückenlos zusammengefügt — eine 15-minütige Erzählung leiert gegen Ende nicht ab. Die Ausgabe ist MP3 (48 kHz) und wird wie jeder Cloud-Auftrag geliefert. Interpunktion steuert das Tempo: Gedankenstriche erzeugen Atemzüge, Auslassungspunkte verlangsamen den Rhythmus. SSML bleibt bewusst außen vor — reiner Text hält die Ergebnisse vorhersehbar.

Natürliche Stimmen, dimensioniert für echte Projekte

Artikel in Erzählungen mit bis zu 20.000 Zeichen pro Auftrag umwandeln, mit deutlich unterschiedlichen männlichen und weiblichen Stimmen für Chinesisch und Englisch.

🗣️

Natürliche neuronale Stimmen

Ein neuronales Text-to-Speech-Modell liest Ihren Text mit natürlichem Rhythmus und natürlicher Betonung – klarer als roboterhafte Synthesestimmen.

🌍

Mandarin- und englische Stimmen

Wählen Sie zwischen einer Mandarin-Stimme und zwei englischen Stimmen – so lassen sich sowohl chinesische als auch internationale Inhalte vertonen.

🎵

Sofortiger MP3-Download

Das gesprochene Audio wird direkt in MP3 umgewandelt und steht sofort zum Download bereit – für Voiceover, Lerninhalte oder Barrierefreiheit.

So funktioniert es

1
Geben Sie Ihren Text ein oder fügen Sie ihn ein — bis zu 20.000 Zeichen pro Auftrag, etwa 30 Minuten Sprache.
2
Wählen Sie eine Stimme: Mandarin-Chinesisch, US-Englisch weiblich oder US-Englisch männlich.
3
Starten Sie den Auftrag und laden Sie die MP3 herunter. Der Server synthetisiert sie mit einem neuronalen Sprachmodell — meist in wenigen Sekunden.

Häufige Fragen

Ist das echte neuronale Synthese oder alter Roboter-TTS?⌄

Echte neuronale Synthese. Die Stimmen sind Piper-Modelle, trainiert mit Tausenden Stunden Studiomaterial — Pausen, Betonung und Intonation wirken natürlich, ganz anders als die Roboterstimmen früherer Synthese.

Welche Stimmen gibt es?⌄

Drei: Mandarin-Chinesisch, US-Englisch weiblich (Amy) und US-Englisch männlich (Joe). Die Stimmliste liegt serverseitig und kann später erweitert werden.

Gibt es eine Längenbegrenzung für den Text?⌄

Ja — 20.000 Zeichen pro Auftrag (etwa 30 Minuten Audio). Längere Texte lassen sich auf mehrere Aufträge aufteilen und mit dem Audio-Merge-Tool zusammensetzen.

Darf das Audio kommerziell genutzt werden?⌄

Ja — Erzählungen aus Texten, an denen Nutzungsrechte bestehen, dürfen veröffentlicht werden, auch in monetarisierten Videos und Kursen. Eine Namensnennung der Stimme verlangen unsere Bedingungen nicht.

Was ist Text-to-Speech?

Text-to-Speech macht aus geschriebenem Text gesprochene Sprache. Sie tippen Text ein oder fügen ihn ein, und ein neuronales Sprachmodell (Piper) auf unserem Server erzeugt daraus eine natürlich klingende MP3-Aufnahme. Es ist das genaue Gegenteil der Spracherkennung: Statt eine Aufnahme zu lesen, schreiben Sie die Wörter und bekommen die Stimme zurück. Drei Stimmen sind eingebaut — Mandarin-Chinesisch, amerikanisches Englisch weiblich und männlich — und da es keine Datei zum Hochladen gibt, ist der Text selbst die Anfrage. Die Synthese dauert in der Regel nur wenige Sekunden. Videomacher nutzen es für Sprechertexte, Lernende für die Aussprache und vielbeschäftigte Leser, um Artikel unterwegs zu hören.

Was dieses Werkzeug kann

📝 Getippten oder eingefügten Text in eine gesprochene MP3-Aufnahme verwandeln
🗣️ Aus drei neuronalen Stimmen wählen: Mandarin-Chinesisch, US-Englisch weiblich oder männlich
📏 Bis zu 20.000 Zeichen pro Auftrag verarbeiten — etwa 20 bis 30 Minuten Sprache
⚡ Fast in Echtzeit synthetisieren, meist innerhalb weniger Sekunden
🎧 Das Ergebnis direkt auf der Seite abspielen und die MP3 herunterladen
🔤 Den Eingabetext live mitzählen — ganz ohne Datei-Upload

Wann Sie es verwenden

Für Sprechertexte oder Voice-over zu Videos, Präsentationen und Folien
Zum Üben der Aussprache von Englisch oder Chinesisch
Um Artikel oder Dokumente in Audio zu verwandeln und unterwegs zu hören
Für Sprachinhalte in E-Learning, Durchsagen oder Podcast-Folgen
Wenn die Augen eine Pause brauchen und lange Texte selbst vorgelesen werden sollen

Ihr Text wird über eine verschlüsselte Verbindung an unseren VPS-Server gesendet, wo das neuronale Modell die Sprache erzeugt; die Auftragsdateien werden nach der Verarbeitung gelöscht und nichts wird aufbewahrt. Der Dienst kostet pro Auftrag Guthabenpunkte. Die derzeitigen Grenzen: drei eingebaute Stimmen (eine Mandarin, zwei Englisch), höchstens 20.000 Zeichen pro Auftrag und MP3-Ausgabe in festem, natürlichem Tempo — eigene Stimmen, weitere Sprachen und eine Tempo-Regelung gibt es noch nicht.