Sprachsynthese (Text-to-Speech)

Vom Text zur Audioausgabe

Vor der eigentlichen Synthese wird Text normalisiert. Abkürzungen, Zahlen, Datumsangaben, Währungen und Sonderzeichen müssen in eine sprechbare Form überführt werden. „28.08.2026“ kann je nach Kontext als Datum gelesen werden; eine Zeichenfolge kann dagegen buchstabiert werden müssen. Danach legt das System Lautfolge, Betonung, Sprechtempo und Prosodie fest und erzeugt die Audiodaten.

Moderne TTS-Systeme verwenden trainierte Modelle für Stimme und Akustik. Die Ausgabe kann als vollständige Datei oder gestreamt bereitgestellt werden. Streaming ist für Gespräche relevant, weil die Wiedergabe beginnen kann, bevor der gesamte Satz synthetisiert ist. Gleichzeitig muss der Prozess mit Unterbrechungen umgehen: Wenn die anrufende Person spricht, darf veraltetes Audio nicht einfach weiterlaufen.

Aussprache mit SSML steuern

SSML ist eine vom W3C spezifizierte Auszeichnungssprache für Sprachsynthese. Sie kann Hinweise zu Pausen, Aussprache, Lautstärke, Tonhöhe oder Sprechgeschwindigkeit geben. Damit lässt sich beispielsweise festlegen, dass eine Abkürzung buchstabiert, eine Zahl als Datum oder ein Fachwort mit einer bestimmten Lautschrift ausgesprochen wird.

SSML ist kein universelles Versprechen identischer Ausgabe. Anbieter unterstützen unterschiedliche Teilmengen, und dieselbe Markierung kann je nach Stimme anders klingen. Deshalb sollten kritische Ausgaben auf dem tatsächlich eingesetzten System getestet werden. Zu viele manuelle Markierungen machen Inhalte schwer wartbar; sinnvoll sind gezielte Regeln für wiederkehrende problematische Begriffe.

• Textnormalisierung macht Zahlen und Zeichenfolgen sprechbar.
• Stimme und Sprachvariante beeinflussen Klang und Aussprache.
• SSML kann Pausen, Betonung, Tempo und Lesart steuern.
• Streaming reduziert die Zeit bis zum Beginn der Antwort.

Qualität im Telefongespräch

Eine natürlich klingende Stimme allein ergibt noch keinen guten Telefonassistenten. Verständlichkeit muss auch nach Telefoniecodec, Netzübertragung und Wiedergabe am Endgerät erhalten bleiben. Zu schnelles Sprechen erschwert das Erfassen von Zahlen; zu lange Pausen wirken wie ein Abbruch. Namen und Fachbegriffe benötigen häufig eigene Tests.

Wichtige Qualitätsmerkmale sind Verständlichkeit, korrekte Aussprache, konsistente Lautstärke, passende Pausen und geringe Startlatenz. Bewertung sollte mit realen Gesprächssätzen erfolgen, nicht nur mit einem kurzen Demoabschnitt. Dazu gehören Adressen, Uhrzeiten, zusammengesetzte deutsche Wörter, Abkürzungen und Rückfragen. Auch die Fähigkeit, eine Ausgabe sauber abzubrechen, gehört zur Sprachqualität.

Rolle im Voice-Agenten

Sprachsynthese ist der Ausgabekanal eines Voice-Agenten. Die Dialoglogik erstellt zunächst eine Antwort oder übernimmt strukturierte Daten aus einem Werkzeug. Vor der Synthese muss der Text für gesprochene Sprache geeignet sein: kurze Sätze, klare Bezüge und hörbare Gliederung funktionieren besser als lange Listen oder visuelle Tabellen.

Das System sollte sensible oder wichtige Werte nicht beiläufig vorlesen. Eine Terminzeit kann wiederholt und bestätigt werden; lange Kennungen lassen sich gruppieren. Bei einer Unterbrechung koordiniert Turn-Taking, ob die Ausgabe stoppt und wann die neue Äußerung verarbeitet wird. TTS liefert die Stimme, entscheidet aber weder über den Inhalt noch über die zulässige Aktion.