Blogartikel anhören statt lesen. Im Auto, beim Kochen, auf dem Laufband. Einfach Text rein, Stimme raus.
Genau das machen Text-to-Speech-Tools (TTS).
Und die Qualität hat sich in den letzten Jahren massiv verbessert. Roboterhaft klingende Stimmen gehören (fast) der Vergangenheit an. Manche Tools klingen mittlerweile so natürlich, dass du kaum noch einen Unterschied zu echten Sprechern hörst.
Besonders spannend: Mit einigen Tools kannst du deine eigene Stimme klonen. Oder die eines Prominenten. Wenn du ein TTS-Tool mit einem KI-Textgenerator oder KI-Videogenerator kombinierst, sparst du noch mehr Zeit.
Ich habe mir 8 der besten TTS-Tools angeschaut und anhand folgender Kriterien verglichen:
- Anzahl und Qualität der Stimmen
- verfügbare Sprachen, Dialekte und Akzente
- Zusatzfunktionen wie Sprachstile, Aussprache und SSML
- Preis und Nutzungsrechte
- Integrationen und Support
- ElevenLabs führt mit der natürlichsten Sprachqualität, dem neuen Modell Eleven v4, Audio Tags wie [whispers] und [laughs] sowie Voice Cloning, kostenloser Tarif vorhanden
- Murf.ai ist die beste Wahl für professionelle Voice-overs ab 19 $ pro Monat bei jährlicher Abrechnung, eigene Stimmklone gibt es nur als Enterprise-Zusatz
- Amazon Polly bietet beste Skalierbarkeit für Entwickler, ab 4 $ pro Million Zeichen (Standard-Stimmen), neuronale Stimmen kosten 16 $
1. TTS-Tools im Vergleich
- Sprachqualität
- exzellent
- Voice Cloning
- Ja
- Preis
- kostenlos, ab 6 $ pro Monat
- Sprachqualität
- sehr gut
- Voice Cloning
- Ja (Enterprise-Zusatz)
- Preis
- 19 $ bis 66 $ pro Monat bei jährlicher Abrechnung oder individuell
- Sprachqualität
- gut
- Voice Cloning
- Ja
- Preis
- kostenlos, ab 2 $ pro Monat bei jährlicher Abrechnung
- Sprachqualität
- gut
- Voice Cloning
- Nein
- Preis
- Nutzungsabhängig, ab 4 $ pro eine Million Zeichen
- Sprachqualität
- mittel
- Voice Cloning
- Nein
- Preis
- kostenlos, Premium 29 $ pro Monat oder 139 $ pro Jahr
- Sprachqualität
- mittel
- Voice Cloning
- Ja
- Preis
- 29 $ bis 199 $ pro Monat, ab 20 $ bei jährlicher Abrechnung
- Sprachqualität
- mittel
- Voice Cloning
- Ja
- Preis
- Wort- oder zeichenabhängig, individuell je nach Lösung und Stimme
- Sprachqualität
- nicht prüfbar
- Voice Cloning
- nicht prüfbar
- Preis
- nicht prüfbar, Website nicht erreichbar
2. Die Tools im Detail
Im Folgenden findest du alle Text-to-Speech-Tools im Detail:
2.1 ElevenLabs
ElevenLabs ist für mich der aktuell beste Text-to-Speech-Anbieter und der Grund, warum es ganz oben auf dieser Liste steht. Die Stimmen klingen so natürlich, dass du beim ersten Hören oft kurz stutzt.
Seit dem 28. September 2026 ist Eleven v4 das Flaggschiff-Modell von ElevenLabs, dazu kommt Eleven v4 Turbo als schnellere Variante für Sprachagenten. Beide unterstützen über 90 Sprachen. Mit sogenannten „Audio Tags“ wie [whispers] oder [laughs] steuerst du Emotion, Betonung und Pausen direkt im Text, und laut ElevenLabs folgt Eleven v4 diesen Anweisungen genauer als die Vorgänger.
Das Vorgängermodell Eleven v3 mit über 70 Sprachen führt ElevenLabs weiterhin in seiner Modellübersicht.

Ich habe ElevenLabs auf dem Creator-Tarif selbst getestet (mehr dazu in meinen ElevenLabs-Erfahrungen). Der Screenshot zeigt meinen eigenen Editor mit dem Modell Eleven v3 und der Stimme „Liam“, darunter hörst du ein Testbeispiel mit derselben Stimme aus meinem Account.
Hörbeispiel: Testsatz mit der Stimme „Liam“ (Eleven v3, unbearbeitet)
Du kannst nicht nur mit vorgefertigten Stimmen Text in Sprache umwandeln, sondern auch deine eigene Stimme klonen. Das Instant Voice Cloning gibt es schon im günstigsten Bezahl-Tarif, der Professional Voice Clone (deutlich näher am Original) ab dem Creator-Tarif.
ElevenLabs ist aber längst mehr als reines Text-to-Speech. Dazu kommen die Speech-to-Text-Modelle Scribe v2 und Scribe v2 Realtime sowie ein Dubbing-Tool für die automatische Synchronisierung von Videos (aktuell als Dubbing v2 im Alpha-Stadium), beide für über 90 Sprachen.
Seit Mai 2026 gibt es mit Music v2 sogar einen gemeinsam mit Künstlern, Labels und Verlagen entwickelten und für kommerzielle Nutzung freigegebenen Musikgenerator, inzwischen ist Eleven Music v2.5 das stärkste Musikmodell. Für die meisten Audio-Projekte brauchst du damit nur noch ein einziges Tool.
Preise
ElevenLabs hat eine großzügige kostenlose Version und mehrere Bezahl-Tarife:
- Die kostenlose Version gibt dir 10.000 Credits pro Monat, genug für rund 10 Minuten Text-to-Speech zum Ausprobieren.
- Der Starter-Tarif kostet 6 $ pro Monat (zeitweise 1 $ im ersten Monat) und schaltet Instant Voice Cloning frei.
- Der Creator-Tarif kostet 22 $ pro Monat (zeitweise 11 $ im ersten Monat) und enthält Professional Voice Cloning.
- Für größere Teams und Unternehmen gibt es zusätzlich die Tarife Pro, Scale und Business für 99, 299 beziehungsweise 990 $ pro Monat. Ab Pro kommen 192-kbit/s-Audio und 44,1-kHz-PCM über die API dazu.
Als Käufer aus Deutschland zahlst du den jeweiligen USD-Preis plus 19 % Mehrwertsteuer. Was die Credits in der Praxis kosten, steht in meiner Übersicht zu den ElevenLabs-Preisen.
Für wen eignet sich ElevenLabs?
ElevenLabs eignet sich für alle, die die natürlichste Sprachqualität wollen, von Voice-overs für YouTube über Hörbücher bis zu Podcasts. Durch die Audio Tags und das einfache Voice Cloning ist es besonders stark, wenn du Emotion und Ausdruck brauchst und nicht nur monotones Vorlesen.
2.2 Murf.ai

Murf.ai ist ein AI Voice Generator für professionelle Voice-overs in Podcasts, Videos und Präsentationen.
Bei der Sprachgenerierung kannst du aus über 200 Stimmen in mehr als 30 Sprachen wählen. Du kannst deinen Text einfach hochladen oder eintippen und ihn mit der Stimme deiner Wahl vertonen lassen. Dabei kannst du auch die Tonhöhe, die Betonung und die Pausen anpassen.
Außerdem bietet Murf.ai einen AI Voice Changer, mit dem du deine eigenen Aufnahmen in Voice-overs umwandeln kannst.
Murf.ai hat ein einfaches und übersichtliches Interface, das dir erlaubt, deine Voice-overs schnell und einfach zu erstellen. Du kannst deine Voice-overs als MP3 oder WAV herunterladen oder direkt mit deinen Videos oder Bildern synchronisieren.
Im Enterprise-Tarif bietet Murf.ai auch eine kollaborative Arbeitsumgebung, in der du Projekte mit deinem Team teilen und bearbeiten kannst.
Preise
Murf.ai hat verschiedene Preismodelle für unterschiedliche Bedürfnisse:
- Die kostenlose Version umfasst 10 Minuten Sprachgenerierung und eine begrenzte Zahl von Projekten. Downloads und kommerzielle Nutzungsrechte sind nicht enthalten.
- Der Creator-Tarif kostet bei jährlicher Abrechnung 19 $ pro Monat. Er enthält 24 Stunden Sprachgenerierung pro Jahr, 100 Projekte, unbegrenzte Downloads und kommerzielle Nutzungsrechte.
- Der Business-Tarif kostet bei jährlicher Abrechnung 66 $ pro Monat. Er enthält 96 Stunden Sprachgenerierung pro Jahr, 500 Projekte und zusätzliche Bearbeitungsfunktionen.
- Der Enterprise-Tarif hat einen individuellen Preis und ergänzt unter anderem unbegrenzte Sprachgenerierung, Single Sign-on und erweiterten Support.
Für wen eignet sich Murf.ai?
Murf.ai eignet sich besonders für Content-Ersteller, die hochwertige Voiceovers für ihre Podcasts oder Videos benötigen. Die große Auswahl an natürlichen Stimmen passt zu unterschiedlichsten Themen und Stimmungen, und dank des übersichtlichen Interfaces hast du deine Voice-overs schnell fertig.
2.3 Uberduck

Uberduck ist ein Tool für synthetische Stimmen und Gesang. Neben klassischem Text-to-Speech erzeugt es aus Text auch Gesang und Raps, klont eigene Stimmen und wandelt per Speech-to-Speech deine Aufnahme in eine andere Stimme um.
Die Text-to-Speech-Funktion unterstützt laut Website Dutzende Sprachen, darunter Deutsch. Seit einiger Zeit gehört außerdem ein KI-Musikgenerator dazu, der komplette Songs mit Text erstellt. Prominentenstimmen, für die Uberduck früher bekannt war, bietet die aktuelle Website nicht mehr an.
Preise
Uberduck hat verschiedene Preismodelle für unterschiedliche Bedürfnisse:
- Mit der kostenlosen Version kannst du Uberduck ausprobieren.
- Der Starter-Tarif kostet bei jährlicher Abrechnung 2 $ pro Monat. Er enthält 1.000 Credits pro Monat, aber nur eine nicht-kommerzielle Lizenz.
- Der Creator-Tarif kostet bei jährlicher Abrechnung 5 $ pro Monat. Er enthält 3.600 Credits pro Monat, eine kommerzielle Lizenz und API-Zugang.
- Der Pro-Tarif kostet bei jährlicher Abrechnung 30 $ pro Monat. Er enthält 25.000 Credits pro Monat und Support mit Antwort innerhalb von 24 Stunden.
Für wen eignet sich Uberduck.ai?
Uberduck eignet sich besonders für Musiker und Kreative, die nicht nur Sprache, sondern auch Gesang oder Raps aus Text erzeugen wollen.
Die Einstiegstarife sind sehr günstig. Für kommerzielle Projekte brauchst du allerdings mindestens den Creator-Tarif.
2.4 Amazon Polly

Amazon Polly ist ein Text-to-Speech-Service von Amazon Web Services (AWS) für natürliche und lebensechte Stimmen. Mit Amazon Polly kannst du aus über 100 Stimmen in mehr als 40 Sprachen und Sprachvarianten wählen, darunter Deutsch, österreichisches und Schweizer Deutsch.
Du kannst deinen Text einfach über die AWS-Konsole, die API oder das SDK eingeben und ihn mit der Stimme deiner Wahl vorlesen lassen. Dabei kannst du auch SSML-Tags verwenden, um die Aussprache, die Betonung, die Geschwindigkeit oder die Lautstärke der Stimme anzupassen.
Neben den Standard-Stimmen gibt es neuronale, Long-Form- und generative Stimmen, die natürlicher und ausdrucksstärker klingen. Amazon Polly ist ein Cloud-basierter Service, der dir eine hohe Skalierbarkeit, Zuverlässigkeit und Sicherheit bietet.
Preise
Amazon Polly ist ein nutzungsabhängiger Service, der dir nur die Zeichen berechnet, die du vertonen lässt:
- Für Standard-Stimmen kostet es 4 $ pro eine Million Zeichen.
- Für neuronale Stimmen kostet es 16 $ pro eine Million Zeichen.
- Für generative Stimmen kostet es 30 $ pro eine Million Zeichen.
- Für Long-Form-Stimmen kostet es 100 $ pro eine Million Zeichen.
- Das kostenlose Kontingent umfasst laut Preisseite 5 Millionen Zeichen pro Monat für Standard-Stimmen und für die ersten 12 Monate 1 Million Zeichen pro Monat für neuronale Stimmen. Neue AWS-Kunden erhalten seit dem 15. Juli 2025 stattdessen bis zu 200 $ Free-Tier-Guthaben, das sie innerhalb von 12 Monaten nach der Kontoerstellung nutzen müssen.
Für wen eignet sich Amazon Polly?
Amazon Polly eignet sich besonders für Entwickler, die Sprachfunktionen in ihre Anwendungen integrieren wollen.
Amazon Polly punktet mit hoher Qualität, Flexibilität und Skalierbarkeit für verschiedenste Szenarien und Branchen. Die nutzungsabhängige Abrechnung macht es zudem günstig, wenn du nur gelegentlich vertonst.
2.5 Speechify

Speechify ist eine Text-to-Speech-App, die dir hilft, Texte schneller und bequemer zu lesen. Im Premium-Tarif kannst du aus über 1.000 Stimmen in mehr als 60 Sprachen wählen.
Du kannst Texte aus verschiedenen Quellen importieren, wie z. B. aus Webseiten, PDFs, E-Books, Google Docs oder Fotos. Speechify liest dir die Texte dann mit der Stimme deiner Wahl vor. Dabei kannst du auch die Geschwindigkeit anpassen, im Premium-Tarif bis zur fünffachen Geschwindigkeit.
Zu den Premium-Stimmen gehören auch offiziell lizenzierte Prominentenstimmen wie die von Gwyneth Paltrow oder Snoop Dogg. Das Tool synchronisiert deine Texte und Einstellungen über alle deine Geräte, sodass du problemlos zwischen Smartphone, Tablet und Computer wechseln kannst.
Preise
Speechify hat verschiedene Preismodelle für unterschiedliche Bedürfnisse:
- Die kostenlose Version enthält 10 einfache, roboterhaft klingende Stimmen und bis zu 1,5-fache Geschwindigkeit.
- Die Premium-Version kostet 29 $ pro Monat oder 139 $ pro Jahr. Sie enthält über 1.000 Stimmen in mehr als 60 Sprachen, bis zu fünffache Geschwindigkeit, Scan & Listen, KI-Zusammenfassungen und Integrationen mit Google Drive, Dropbox und OneDrive.
Für wen eignet sich Speechify?
Speechify eignet sich besonders für Schüler, Studenten oder Berufstätige, die viel lesen müssen und ihre Lesegeschwindigkeit und ihr Verständnis verbessern wollen.
Die Sprachqualität liegt im Mittelfeld. Speechify ist dafür sehr benutzerfreundlich und läuft auf allen deinen Geräten.
2.6 Synthesys

Synthesys hat sich vom reinen Stimmen-Tool zu einem KI-Videoagenten für Marketing entwickelt. Aus einem kurzen Briefing erstellt Synthesys fertige Videos wie UGC-Anzeigen, Produktvideos oder Werbespots, inklusive Skript, Voice-over und Musik.
Der AI Voice Generator ist weiterhin an Bord. Laut Synthesys stehen über 400 Stimmen in mehr als 140 Sprachen zur Wahl, und eine Stimme lässt sich schon mit 10 Sekunden Audio klonen.
Preise
Synthesys rechnet über monatliche Credits ab. Jährliche Abrechnung spart 30 %:
- Der Starter-Tarif kostet 29 $ pro Monat (20 $ bei jährlicher Abrechnung) und enthält 3.500 Credits pro Monat.
- Der Pro-Tarif kostet 59 $ pro Monat (41 $ bei jährlicher Abrechnung), enthält 8.000 Credits und ein Brand Kit.
- Der Agency-Tarif kostet 119 $ pro Monat (83 $ bei jährlicher Abrechnung) und enthält 17.000 Credits.
- Der Max-Tarif beginnt bei 199 $ pro Monat (139 $ bei jährlicher Abrechnung) für 30.000 Credits.
Alle Tarife enthalten volle kommerzielle Nutzungsrechte.
Für wen eignet sich Synthesys?
Synthesys eignet sich besonders für Marketer, die Werbevideos mit KI-Sprechern schnell produzieren wollen.
Bei der Sprachqualität liegt Synthesys im Mittelfeld. Wer nur Voice-overs braucht, zahlt hier für viele Videofunktionen mit, die er nicht nutzt.
2.7 ReadSpeaker

ReadSpeaker ist eine professionelle Text-to-Speech-Plattform, mit der du deine digitalen Inhalte zum Leben erweckst. Mit ReadSpeaker kannst du aus über 300 Stimmen in mehr als 90 Sprachen wählen.
Du kannst ReadSpeaker für verschiedene Anwendungen nutzen, wie z. B. für Webseiten, Apps, E-Learning, E-Books, Dokumente oder IoT-Geräte. ReadSpeaker bietet dir verschiedene Lösungen an, je nachdem, was du brauchst.
ReadSpeaker bietet dir auch die Möglichkeit, deine eigene Marken-Stimme zu erstellen, die einzigartig und unverwechselbar ist. Die Plattform nutzt neuronale Netzwerke und Deep Learning, um natürlich klingende Stimmen zu erzeugen. Im Vergleich liegt die Sprachqualität jedoch im Mittelfeld.
Preise
ReadSpeaker hat individuelle Preismodelle, die von verschiedenen Faktoren abhängen, wie z. B. von der Lösung, der Stimme, der Sprache, der Nutzung und der Lizenz.
Du kannst ein Angebot anfordern oder eine Demo buchen, um mehr über die Preise zu erfahren.
Für wen eignet sich ReadSpeaker?
ReadSpeaker eignet sich besonders für Unternehmen, Organisationen oder Bildungseinrichtungen, die ihre digitalen Inhalte zugänglicher, ansprechender und effektiver machen wollen.
Das Tool punktet mit Vielfalt und Anpassungsfähigkeit für unterschiedlichste Anwendungen und Branchen. ReadSpeaker arbeitet seit 1999 an Sprachtechnologie und gehört damit zu den etabliertesten Namen im Markt.
2.8 Lovo

Lovo (später auch als Genny vermarktet) war lange einer der bekanntesten AI Voice Generatoren, mit emotionalen Stimmen, Voice Cloning und einer eingebauten Videobearbeitung.
Bei meiner Prüfung Ende Oktober 2026 war die Website von Lovo allerdings nicht erreichbar. Statt der Startseite und der Preisseite erschien nur der Hinweis, dass die Website vorübergehend pausiert ist. Aktuelle Preise, Stimmen und Funktionen konnte ich deshalb nicht prüfen.
Für wen eignet sich Lovo?
Solange die Website nicht wieder normal erreichbar ist, würde ich kein neues Abo bei Lovo abschließen. Für emotionale Voice-overs sind ElevenLabs oder Murf.ai die sicherere Wahl.
3. Mit welchen Tools kann ich Prominentenstimmen imitieren?
Uberduck, früher die bekannteste Adresse dafür, bietet auf seiner aktuellen Website keine Prominentenstimmen mehr an. In der Tabelle stehen deshalb nur Treffer, die ich in der öffentlichen Stimmenliste von FakeYou, in der Promi-Liste von Celebrity Voice Changer oder bei Speechify gefunden habe. Die FakeYou-Modelle laden Nutzer selbst hoch, die Qualität schwankt entsprechend stark. Nur Speechify nennt seine Prominentenstimmen ausdrücklich eine offizielle Partnerschaft.
Wichtig: Die Stimme einer realen Person ohne deren Einwilligung nachzuahmen, kann Persönlichkeitsrechte verletzen. Nutze solche Stimmen nicht für Werbung oder für Inhalte, die Menschen täuschen könnten. Wer realistische Audio-Deepfakes beruflich veröffentlicht, muss sie außerdem kennzeichnen, mehr dazu im Leitfaden zur KI-Kennzeichnungspflicht.
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- FakeYou
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Celebrity Voice Changer
- Mögliche Tools
- FakeYou, Celebrity Voice Changer
- Mögliche Tools
- FakeYou
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- FakeYou, Celebrity Voice Changer
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- FakeYou
- Mögliche Tools
- FakeYou
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Speechify
- Mögliche Tools
- FakeYou
- Mögliche Tools
- FakeYou
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- FakeYou (als Willy Wonka)
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- FakeYou
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Celebrity Voice Changer
- Mögliche Tools
- FakeYou
- Mögliche Tools
- FakeYou (als Jack Dawson)
- Mögliche Tools
- FakeYou
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- FakeYou
- Mögliche Tools
- FakeYou
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- FakeYou (spanische Stimme)
- Mögliche Tools
- FakeYou
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- FakeYou
- Mögliche Tools
- Nicht verifiziert
- Mögliche Tools
- Nicht verifiziert
4. Welche Modelle hinter den Sprachausgabe-Tools sind am beliebtesten?
Hinter den Tools stecken Sprachmodelle, dazu kommen Modelle, die du direkt per API oder lokal nutzt. Die Beliebtheit zeigt, welche davon am häufigsten gesucht und eingesetzt werden.
Am beliebtesten sind derzeit Kokoro-82M (68 Punkte), Fish Audio S2 Pro (52 Punkte) und Aura-2 (44 Punkte). 11 Modelle dieser Art haben einen Wert im Beliebtheitsindex von gradually.ai, der Suchnachfrage, Nutzung und Erwähnungen in Fachmedien verbindet.
Mit dem Schalter am Chart wechselst du zwischen Welt, EU und Deutschland.
Die beliebtesten Modelle für Sprachausgabe
Beliebtheitsindex von 0 bis 100, höher ist beliebter.
11 von 11 Modellen
Quelle: gradually.ai Beliebtheitsindex
5. Wie genau liest Eleven v4 einen Text vor?
Eleven v4 ist das Modell von ElevenLabs, dem Erstplatzierten dieses Vergleichs. Der Test zeigt, wie viele Wörter eine Stimme beim Vorlesen verändert, und stellt sie neben Aura-2.
Für die Sprachausgabe lassen wir Eleven v4 und Aura-2 feste Skripte auf Deutsch und Englisch vorlesen. GPT-Transcribe schreibt die erzeugten Aufnahmen danach wieder ab. Die Wortfehlerrate zeigt, wie viel vom Text dabei verloren geht: Eleven v4 4,0 %, Aura-2 4,1 %.
Der Wert hängt auch von GPT-Transcribe ab und misst nur, ob der Inhalt verständlich ankommt. Wie natürlich eine Stimme klingt, misst er nicht.
Wortfehlerrate nach dem Vorlesen
Erzeugte Sprache, von GPT-Transcribe zurück in Text geschrieben, niedriger ist besser
Quelle: GraduallyBench STT v1
Häufig gestellte Fragen zu Text-to-Speech-Tools
ElevenLabs. Das Tool liegt im Vergleich mit „exzellenter“ Sprachqualität auf Platz 1, ist kostenlos nutzbar und kostet ab 6 $ pro Monat. Murf.ai folgt auf Platz 2, Amazon Polly unterstützt ebenfalls Deutsch, auch österreichisches und Schweizer Deutsch. Weitere Optionen findest du im Vergleich der KI-Stimmen-Generatoren.
Vor allem Überschreitungsgebühren bei der enthaltenen Zeichenmenge, API-Nutzung und Speicherkosten.
- SSML: Die Abrechnung ist anbieterabhängig. Google Cloud zählt SSML-Zeichen mit Ausnahme von
<mark>mit; AWS Polly berechnet SSML-Tags nicht als Zeichen. - Audiospeicherung: Speicher oder Hosting kann ein zusätzlicher Dienst sein und extra kosten.
Schätze deshalb vorab die monatliche Zeichenmenge deiner Texte.
Teste den Text mit der Stimme und Sprache, die du tatsächlich verwenden willst. Prüfe besonders Eigennamen, Abkürzungen, Zahlen und Fachbegriffe, denn Anbieter sprechen dieselbe Schreibweise unterschiedlich aus.
- Höre dir schwierige Stellen an und passe Schreibweise oder Zeichensetzung gezielt an.
- Nutze die Aussprache-Wörterbücher oder Phonem- und SSML-Funktionen, die dein Anbieter dokumentiert.
SSML steht für Speech Synthesis Markup Language. Die standardisierte, XML-basierte Auszeichnungssprache nutzt Markierungen im Text, um die Sprachausgabe zu steuern, etwa Aussprache, Betonung, Sprechtempo oder Lautstärke.
Viele Anbieter unterstützen SSML, aber nicht jeder Tag ist überall verfügbar oder funktioniert gleich.
Mit einer API oder einem SDK läuft der Ablauf meist so:
- Wähle Anbieter, Stimme und Audioformat aus und prüfe Limits sowie Abrechnung.
- Sende den Text aus deinem Backend an den Anbieter und übergib die gewünschten Stimmeinstellungen.
- Gib die zurückgelieferte Audiodatei oder den Audiostream in deiner Anwendung aus.
Speichere langlebige API-Schlüssel nur serverseitig. Ein fertiges Widget oder Plugin kann Schritte ersetzen. Installiere es nach der Anleitung des Anbieters und prüfe, welche Daten es überträgt.






