KI Text zu Sprache

Text-to-Speech, kurz TTS, verwandelt geschriebenen Text in gesprochenes Audio. Ältere TTS-Systeme lasen Wörter einfach nacheinander in monotoner Stimme vor. Moderne KI Text-to-Speech liest zuerst den ganzen Abschnitt, versteht also, welches Wort betont wird, wo aus einem Satz eine Frage wird und wann eine Pause etwas unterstreicht, und spricht mit Atem und Rhythmus eines Menschen.

Auf Mage läuft Text-to-Speech mit Eleven Speech, dem neuesten Modell von ElevenLabs, Eleven v4. Du fügst bis zu 5.000 Zeichen ein, wählst eine von 16 Stimmen und erhältst eine MP3, die genau so lang ist wie der Vortrag. Audio-Tags in eckigen Klammern wie [whispers], [laughs] oder [excited] steuern den Vortrag, ohne mitgesprochen zu werden.

Es steckt im selben Account wie die Bild- und Videomodelle von Mage. Eine Erzählung kann direkt unter ein Video gelegt, einer Figur als Stimme zugewiesen oder in der Lipsync-App genutzt werden, damit ein Porträt sie spricht.

Text-to-Speech liest genau das vor, was du eingibst. Schreibe also fürs Ohr. Schreibe aus, was gesagt werden soll, so wie es klingen soll: „zwölf Stunden“ statt „12 Std.“, „das Jahr zweitausendsechsundzwanzig“, wenn die Zahl als Jahr gelesen werden soll, und ausgeschriebene Wörter für Abkürzungen, die nicht buchstabiert werden sollen. Teile lange Sätze in kürzere auf – beim Zuhören kann man nicht zurückscrollen.

Satzzeichen sind die einfachste Art, das Tempo zu steuern. Ein Komma ist ein kurzes Atemholen, ein Punkt ein längeres, Auslassungspunkte stehen für Zögern und ein Gedankenstrich für einen abrupten Bruch. Ein Fragezeichen verändert die Melodie des ganzen Satzes – achte also darauf, dass Fragen wirklich mit einem enden.

• Zahlen ausschreiben, wenn es auf die Aussprache ankommt
• Sätze kurz und gesprochen halten
• Auslassungspunkte für Pausen, Gedankenstriche für Brüche nutzen
• Das Skript vor dem Generieren einmal laut lesen
• Sehr lange Texte in Kapitel aufteilen

Die 16 Stimmen decken die häufigsten Einsatzzwecke ab. Für lange Erzählungen und Hörbücher wählst du einen ruhigen Erzähler wie Darian, Florence oder Sawyer. Für Nachrichten, Schulungen und Erklärvideos eine klare Moderatorenstimme wie Alicia oder Eldrin. Für Werbung und Social-Media-Videos eine lebhafte, moderne Stimme wie Elowen, Jade oder Lawrence. Für Spiele eine Charakterstimme wie Kaelen.

Jede Stimme spricht alle unterstützten Sprachen, ein spanisches oder japanisches Skript funktioniert also mit jeder von ihnen. Generiere die ersten zwei oder drei Sätze mit ein paar Stimmen, vergleiche sie und lass dann das ganze Skript mit der passenden Stimme laufen.

Eleven v4 liest Tags in eckigen Klammern als Regieanweisung. [excited], [nervous], [sarcastic] und [softly] verändern die Emotion; [whispers] und [shouting] die Lautstärke; [sighs], [laughs] und [gulps] fügen eine Reaktion hinzu; [door creaks] oder [applause] bringen ein Geräusch in den Vortrag. Setze einen Tag direkt vor den Satz, den er verändern soll, und verwende ein bis zwei pro Satz.

Mit Tags werden Dialoge und Figurentexte lebendig, während reine Erzählung oft keine braucht. Für Figurenstimmen, die in jedem Video gleich bleiben sollen, lies den Leitfaden zum KI-Stimmengenerator, und für Songs und Musikuntermalung den zum KI-Musikgenerator.

Dieselben Stimmen laufen über die Mage API: Sende den Text und eine Stimme an POST /v1/eleven_speech/generate und erhalte eine MP3 zurück, abgerechnet in Blöcken von 250 Zeichen. Der Mage API-Seite erklärt Schlüssel und Preise. Ist der Mage MCP-Server verbunden, können Claude, ChatGPT und andere Assistenten dir im Chat ein Skript vorlesen – nachdem sie dir die Kosten in Gems genannt haben.