Text in Sprache

Wie die Web Speech API funktioniert

Browser stellen eine SpeechSynthesis-Schnittstelle bereit (Teil der Web Speech API, ursprünglich von der W3C Speech API Community Group entworfen), die Text und eine gewählte Stimme entgegennimmt und über die TTS-Engine des zugrunde liegenden Betriebssystems hörbare Sprache erzeugt. Die gesamte API-Oberfläche ist klein, aber mächtig: speechSynthesis.speak(utterance) startet die Sprache, cancel() / pause() / resume() steuern die Wiedergabe, und getVoices() listet jede Stimme auf, die das Betriebssystem bereitstellt. Jede SpeechSynthesisUtterance trägt den Text, das Sprach-Tag, die Stimme, Geschwindigkeit, Tonhöhe und Lautstärke.

Das Audio selbst wird vom Betriebssystem erzeugt, nicht vom Browser. macOS und iOS werden mit Dutzenden hochwertiger, ins System integrierter Stimmen ausgeliefert. Windows stellt Stimmen bereit, die über Einstellungen → Zeit und Sprache → Sprache installiert werden. Android verwendet Googles Text-to-Speech-Engine (oder Alternativen wie Samsung TTS). Linux greift auf die jeweilige speech-dispatcher-/espeak-Einrichtung zurück, die die Distribution bereitstellt, standardmäßig oft mit robotisch klingendem Ergebnis, sofern Sie keine reichhaltigere Engine installiert haben.

Die Datenschutz-Unterscheidung Cloud vs. lokal

Nicht jede „Browser“-Stimme läuft auf Ihrem Gerät. Manche Browser senden den Text für hochwertigere Stimmen an einen entfernten Server, um das Audio zu rendern, und streamen das Ergebnis dann zurück. Das ist für den Datenschutz wichtig:

• Safari (macOS / iOS): Die Synthese läuft vollständig auf dem Gerät. Apples Stimmen, einschließlich der natürlichen im Siri-Stil, sind im Betriebssystem gebündelt. Kein Text verlässt das Gerät.
• Chrome (Desktop und Android): Bei einigen mit „Google“ gekennzeichneten Stimmen wird der Text an Googles TTS-Dienst gesendet, um das Audio zu rendern. Andere Chrome-Stimmen, die lokale Betriebssystemstimmen widerspiegeln, bleiben auf dem Gerät. Die Eigenschaft SpeechSynthesisVoice.localService sagt Ihnen, was was ist (true = auf dem Gerät, false = Cloud).
• Microsoft Edge: ähnliches Muster. Edges hochwertige „Online Natural“-Stimmen leiten Text an Microsofts Cloud-TTS; die Standard-Betriebssystemstimmen sind lokal.
• Firefox: Die Unterstützung der Web Speech API war historisch begrenzt; auf Systemen, auf denen sie funktioniert, verwendet sie die Engine des Betriebssystems.

Wenn Ihr Text sensibel ist (Entwürfe vertraulicher Dokumente, interne Firmenmemos, alles, was Sie nicht zu einem Dritten kopiert haben möchten), wählen Sie eine als lokal gekennzeichnete Stimme. Wenn Sie im Dropdown keine lokalen Stimmen sehen, installieren Sie Sprachpakete des Betriebssystems, und sie erscheinen dort.

Häufige Anwendungsfälle

• Barrierefreiheit. Screenreader (VoiceOver, NVDA, JAWS, TalkBack) übernehmen die Hauptarbeit für blinde und sehbehinderte Nutzer, aber ein schnelles TTS-Werkzeug hilft jedem (Legasthenie, Augenbelastung, Ermüdung), sich gelegentlich Text vorlesen zu lassen.
• Korrekturlesen. Den eigenen Text vorgelesen zu hören, deckt holprige Sätze, fehlende Wörter und Rhythmusprobleme auf, über die das stille Lesen hinweggleitet. Ein verbreiteter Trick professioneller Autoren.
• Aussprache beim Sprachenlernen. Hören Sie Wörter in der Zielsprache gesprochen; hilfreich, wenn Sie einen fremdsprachigen Artikel lesen und unsicher sind, wie ein Wort klingt.
• Artikel vorlesen lassen während der Hausarbeit. Kochen, Putzen, Sport, Pendeln, überall dort, wo Lesen unpraktisch, Zuhören aber möglich ist.
• Voiceover-Entwürfe. Skizzieren Sie schnell eine Erzählung, um das Tempo zu testen, bevor Sie mit einem echten Sprecher aufnehmen oder einen kostenpflichtigen TTS-Dienst wie ElevenLabs beauftragen.
• Bildung. Erzeugen von gesprochenem Material für Unterrichtsinhalte, Vokabelübungen, Diktatübungen, Barrierefreiheit für vielfältige Lernende.

Eigenheiten und Einschränkungen, die man kennen sollte

• Chromes Abbruch bei langem Text. Ein langjähriger Chromium-Bug (679437) lässt speak() nach etwa 15 Sekunden anhalten, typischerweise bei rund 200 bis 250 Zeichen. Umgehungen teilen den Text in satzlange Stücke und rufen speak() für jedes auf.
• Das voiceschanged-Ereignis. Der erste Aufruf von speechSynthesis.getVoices() in Chrome gibt ein leeres Array zurück. Die Stimmen werden asynchron befüllt; Seiten müssen auf das voiceschanged-Ereignis warten, bevor sie die Stimmenliste anzeigen.
• Erfordernis einer Nutzergeste. Wie bei der automatischen Wiedergabe mit Ton blockieren Browser die Sprachsynthese, bis der Nutzer etwas anklickt oder antippt. Die Schaltfläche „Vorlesen“ erfüllt diese Geste; programmatische Sprache beim Laden der Seite funktioniert nicht.
• iOS-Stromsparmodus. Wenn sich das iPhone im Stromsparmodus befindet, weigert sich Safari manchmal, die Sprachsynthese zu starten, bis der Modus deaktiviert ist.
• Pause-/Resume-Fehler in Android-Chrome. Pausieren und Fortsetzen verwirft manchmal die Warteschlange. Wenn Zuverlässigkeit wichtig ist, starten Sie neu mit speak(), statt sich auf pause() / resume() zu verlassen.
• Werte außerhalb des Bereichs für Geschwindigkeit / Tonhöhe scheitern lautlos. Eine Geschwindigkeit über ~3,0 oder unter 0,1 oder eine Tonhöhe über 2,0 zu setzen, führt bei manchen Engines dazu, dass überhaupt kein Audio erzeugt wird, statt den Wert zu begrenzen.

Warum die Stimmqualität so stark variiert

Die Qualität einer TTS-Stimme hängt vollständig von der zugrunde liegenden Engine ab, die vom Betriebssystem abhängt, das davon abhängt, was Sie installiert haben. Die Stimmen aus der Zeit der 1990er-Jahre (eSpeak, Microsoft Anna, der alte Mac-„Fred“) wurden aus aneinandergereihten Phonem-Samples synthetisiert und klingen robotisch und gestelzt. Moderne Stimmen (Apples Siri-Stimmen, Microsofts Online-Natural-Stimmen, Googles WaveNet-basierte Stimmen, ElevenLabs' Abo-Stimmen) verwenden Deep Learning, um Audio zu erzeugen, das von einem menschlichen Vorleser kaum zu unterscheiden ist.

Wenn die Stimmen in Ihrem Dropdown robotisch klingen, ist die Lösung nicht dieses Werkzeug, sondern bessere Stimmen in Ihrem Betriebssystem zu installieren:

• Windows: Einstellungen → Zeit und Sprache → Sprache → Stimmen hinzufügen. Microsofts „Online Natural“-Stimmen sind dramatisch besser als die Offline-Standardstimmen.
• macOS: Systemeinstellungen → Bedienungshilfen → Gesprochene Inhalte → Systemstimme → Stimmen verwalten. Achten Sie auf „Premium“- / „Enhanced“-Stimmen; sie werden im Hintergrund heruntergeladen und verbessern die Qualität deutlich.
• iOS: Einstellungen → Bedienungshilfen → Gesprochene Inhalte → Stimmen. Gleiche Namenskonvention wie bei macOS.
• Android: Einstellungen → Bedienungshilfen → Text-in-Sprache-Ausgabe → Google → Sprachdaten installieren.
• Linux: Installieren Sie festival oder mbrola für eine bessere Qualität als eSpeak, oder verwenden Sie ein Cloud-TTS über eine API.

Häufige Fehler

1. Erwarten, dass Firefox es unterstützt. Firefox' Unterstützung der Web Speech API ist hinterhergehinkt. Die Schaltfläche „Vorlesen“ ist deaktiviert, wenn Sie die Seite in Firefox besuchen; verwenden Sie für zuverlässiges TTS einen Chromium-basierten Browser oder Safari.
2. Vertraulichen Text in eine Chrome-Sitzung einfügen und annehmen, er bleibe lokal. Die standardmäßigen Chrome-„Google“-Stimmen senden Text an Googles TTS-Dienst. Wählen Sie für sensible Inhalte eine lokale Stimme oder verwenden Sie Safari.
3. Lange Textblöcke in Chrome. Der Abbruch nach 15 Sekunden / ~250 Zeichen erwischt jeden, der einen Absatz einfügt und erwartet, dass er ganz vorgelesen wird. Teilen Sie entweder den Text oder verwenden Sie Safari (kein Abbruch).
4. Geschwindigkeit oder Tonhöhe zu weit außerhalb des Bereichs setzen. Die Engine begrenzt nicht; sie erzeugt lautlos kein Audio. Bleiben Sie für vorhersehbare Ergebnisse bei Geschwindigkeit 0,5 bis 2,5 und Tonhöhe 0,5 bis 1,5.
5. Browser-TTS als Voiceover in Produktionsqualität behandeln. Selbst die besten Browser-Stimmen sind gut genug für Korrekturlesen, Barrierefreiheit und grobe Entwürfe, nicht für veröffentlichte Podcasts oder kommerzielles Voiceover. Sehen Sie sich dafür ElevenLabs, Murf oder ähnliche kostenpflichtige Dienste an.
6. Vergessen, dass Stimmen asynchron heruntergeladen werden. Beim ersten Seitenbesuch in Chrome werden möglicherweise keine Stimmen angezeigt; aktualisieren Sie nach einem Moment, und sie erscheinen.

Weitere häufig gestellte Fragen

Wie erkenne ich, ob eine Stimme lokal oder cloudbasiert ist?

Programmatisch ist die Eigenschaft SpeechSynthesisVoice.localService für Stimmen auf dem Gerät true und für cloudbasierte false. In der Praxis helfen die Namenskonventionen der Stimmen: Chrome-Stimmen mit der Kennzeichnung „Google“ sind meist cloudbasiert; Stimmen, die zu den installierten Stimmen Ihres Betriebssystems passen (Microsoft David, Apple Samantha, Google Wavenet en-US-Wavenet-D), sind lokal, wenn das Betriebssystem sie hat. Safaris Stimmen sind immer lokal.

Kann ich das Audio als MP3-Datei speichern?

Nicht direkt mit der Web Speech API des Browsers, die Spezifikation legt den Audiostream nicht zur Erfassung offen. Wenn Sie eine herunterladbare MP3 / WAV benötigen, gibt es unter anderem folgende Optionen: eine dedizierte Voiceover-App wie Audacity, die Ihr Systemaudio aufnimmt, eine kostenpflichtige TTS-API (Google Cloud TTS, Amazon Polly, ElevenLabs), die die Audiodatei zurückgibt, oder eine Bildschirmaufnahme-App, die die Wiedergabe aufzeichnet.

Warum stockt das Audio oder hält mitten im Satz an?

Die häufigste Ursache in Chrome ist der Bug bei langem Text, die Sprache stoppt nach ~15 Sekunden. Aktualisieren Sie und versuchen Sie es erneut mit einer kürzeren Passage, oder wechseln Sie zu Safari, das diese Grenze nicht hat. Andere Ursachen: ein Systemfehler in der Sprach-Engine des Betriebssystems (ein Neustart behebt ihn meist) oder eine Cloud-Stimme, die offline nicht abgerufen werden kann (wechseln Sie zu einer lokalen Stimme).

Funktioniert das in jeder Sprache?

Jede Sprache, für die Ihr Betriebssystem eine Stimme installiert hat. macOS und iOS werden mit Dutzenden eingebauter Sprachen ausgeliefert. Windows erfordert die Installation von Sprachpaketen pro Sprache (Einstellungen → Zeit und Sprache → Sprache → Stimmen hinzufügen). Android benötigt Google TTS oder eine Drittanbieter-Engine, damit die Sprachdaten heruntergeladen sind. Das Stimmen-Dropdown listet alles Verfügbare auf; das Sprach-Tag (en-US, fr-FR, ja-JP usw.) sagt Ihnen, welche Sprache jede Stimme erzeugt.

Ist das für Podcasting nützlich?

Für Entwürfe und Tempotests ja. Für veröffentlichte Episoden ist die Qualitätslatte höher, selbst die besten Browser-Stimmen haben subtile Artefakte, die Zuhörer schnell bemerken. Kostenpflichtige Dienste wie ElevenLabs und Murf bieten Stimmmodelle, die für Langform-Erzählung trainiert sind, und liefern merklich bessere Ergebnisse, oft für wenige Cent pro tausend Zeichen.

Kann ich das für blinde / sehbehinderte Nutzer auf meiner eigenen Website verwenden?

Eine Website muss für die Barrierefreiheit in der Regel kein TTS einbetten, assistive Technologien wie Screenreader (VoiceOver auf Apple-Geräten, NVDA / JAWS unter Windows, TalkBack unter Android) erledigen das universell. Eingebettetes TTS ist eher für die gelegentliche Vorlese-Bequemlichkeit für sehende Nutzer mit Leseermüdung oder für Lernende nützlich. Konzentrieren Sie sich für die Barrierefreiheit auf semantisches HTML, ARIA-Labels, Tastaturnavigation und Kontrast, diese helfen jedem Screenreader, besser zu funktionieren, einschließlich des eigenen des Nutzers.

Verwandte Tools