Bitten Sie eine Navigations-App, einen Straßennamen vorzulesen, und Sie erleben die Sprachausgabe in Aktion. Das System wandelt geschriebene Zeichen in eine für den Menschen verständliche Wellenform um. Frühe Versionen klangen roboterhaft, da sie aus aufgezeichneten Fragmenten zusammengesetzt wurden. Moderne neuronale Systeme erzeugen den Ton direkt, und der Unterschied zwischen synthetischer und menschlicher Sprache hat sich deutlich verringert.

Der Verarbeitungsprozess beginnt üblicherweise mit der Textnormalisierung: „Dr.“ wird je nach Kontext zu „Fahrer“ oder „Arzt“ erweitert, Zahlen und Währungen werden in gesprochene Wörter umgewandelt. Anschließend erfolgt die linguistische Analyse, die Aussprache, Betonung und Intonation vorhersagt. Schließlich wandeln ein Akustikmodell und ein Vocoder diese Merkmale in Klang um.

Wo es auftaucht

• Bildschirmleseprogramme für blinde und sehbehinderte Nutzer
• Sprachassistenten und intelligente Lautsprecher
• Hörbuchproduktion im großen Stil
• Barrierefreiheitstools für Menschen mit Sprachbehinderungen

Die Qualität variiert je nach Sprache. Englisch und Mandarin verfügen über riesige Sammlungen an Sprachaufnahmen; viele afrikanische und indigene Sprachen hingegen kaum, weshalb synthetische Stimmen für diese Sprachen entweder gekünstelt klingen oder schlichtweg nicht existieren. Die Stimmklonierung ist ein weiteres Problem. Eine überzeugende Nachbildung der Stimme einer Person kann für Betrug missbraucht werden, weshalb einige Anbieter mittlerweile Wasserzeichen einbetten oder die Einwilligung der Sprecher verlangen.