Text vorlesen lassen
Oder Untertiteltext einfügen
Der erste Lauf lädt das Sprachmodell und den Phonemisierer herunter — zusammen etwa 98 MB, von dieser Seite bereitgestellt und danach vom Browser zwischengespeichert. Die Untertitel- oder Textdatei, die Sie ablegen, verlässt diesen Tab nie. Die Wahl von MP3 oder M4A lädt weitere 31 MB Encoder herunter, deshalb ist WAV der Standard.
Optionen
Eine Stimme entscheidet über Akzent und Klangfarbe und — weniger offensichtlich — darüber, mit welchem Lautsystem der Text gelesen wird. Eine spanische Stimme mit einem englischen Satz zu kombinieren schlägt nicht fehl: Sie liest englische Wörter mit spanischen Lauten, was schlimmer ist als eine Fehlermeldung. Sieben Sprachen werden angeboten, nicht zwölf, weil der mit dieser Seite gebündelte Phonemisierer keine Stimme für Japanisch oder Chinesisch hat. Hören Sie sich eine kurze Datei an, bevor Sie sich auf eine lange festlegen; jede Stimme trägt dasselbe Modell, ein Wechsel kostet also eine Synthese, keinen Download.
Wie schnell die Stimme liest, angewendet zusätzlich zu dem Tempo, das das Modell als natürlich ansieht. Langsam ist 0,8×, schnell ist 1,2× — bewusst milde, weil das Modell ab etwa 1,5× beginnt, Silben zu verschlucken, und das Ergebnis klingt wie jemand, der es eilig hat, statt wie jemand, der schnell spricht. Wenn ein Untertitelblock für seine Zeile zu kurz ist, erhöht diese Seite die Geschwindigkeit selbst bis 1,4×, bevor sie abschneidet, und dieser Schub multipliziert sich mit der hier gewählten Einstellung.
WAV ist unkomprimiertes 24-kHz-Mono, hier ganz ohne Encoder geschrieben — deshalb ist es der Standard und deshalb wird dafür nichts Zusätzliches heruntergeladen. MP3 und M4A brauchen die 31 MB große Video-Engine zum Komprimieren, kommen aber ungefähr zehnmal kleiner heraus: Zehn Minuten Sprache sind etwa 28 MB als WAV und etwa 2,8 MB als MP3. Wählen Sie WAV, um eine Stimme anzuhören, MP3, um die Datei jemandem zu schicken.
Diese Seite liest Text laut vor. Einen Absatz einfügen oder eine Datei ablegen – eine .txt, eine .srt, eine .vtt, jedes der zwölf Untertitelformate –, eine von zehn Stimmen wählen und eine einzelne Audiodatei erhalten, in der das Ganze von Anfang bis Ende gesprochen ist. Nichts wird getaktet, weil es nichts gibt, wogegen getaktet werden könnte: Die Ausgabe ist eine durchgehende Lesung, keine Spur für ein Bild.
Ist die abgelegte Datei eine Untertiteldatei, werden die Timecodes geparst und verworfen. Gelesen wird der Text jedes Blocks, in Reihenfolge, zu Absätzen verbunden; Zeilenumbrüche innerhalb eines Blocks werden zu Leerzeichen, weil sie typografische Entscheidungen auf dem Bildschirm waren, und Blockgrenzen werden zu nichts. Das ist das Gegenteil der Seite, die Untertitel vertont, und die beiden Seiten stehen nebeneinander, damit die Wahl sichtbar ist statt in einem Kontrollkästchen versteckt: Die eine erzeugt Klang, der einer Zeitachse folgt, die andere Klang, der einfach fließt.
Der Text wird in Stücken synthetisiert, nicht in einem Durchgang. Der Tokenisierer des Modells schneidet stillschweigend alles nach 510 Phonemen ab – ein Artikel mit zweitausend Wörtern käme als seine ersten zwei Sätze zurück, und die Datei sähe völlig gültig aus. Deshalb wird der Text an Absatzgrenzen geteilt, dann an satzbeendender Zeichensetzung, und noch feiner bei einem einzelnen Satz über 400 Zeichen; die Stücke werden nacheinander mit einer kurzen Pause dazwischen synthetisiert. Dort greift auch der Abbruch: Das Sprechen läuft in einem eigenen Thread, der Abbrechen-Knopf stoppt es daher innerhalb eines Moments, statt auf den laufenden Satz zu warten, und die Seite bleibt während der Erzeugung bedienbar.
Die Stimmliste umfasst zehn Stimmen in sieben Sprachen – Englisch (USA und Großbritannien), Spanisch, Französisch, Italienisch, Hindi und brasilianisches Portugiesisch. Japanisch und Chinesisch werden nicht angeboten: Der Phonemisierer für die Aussprache hat für beide keine Stimme, eine als Japanisch beschriftete Option würde Kanji also als englische Buchstaben lesen und selbstsicher falsch klingen. Etwa 98 MB Modell und Phonemisierer werden einmal geladen und zwischengespeichert; der eingefügte Text verlässt den Browser nie, was zählt, wenn der Absatz ein Kundenbrief oder eine medizinische Notiz ist.
Häufige Fragen
Enthält die Vorlesung einer .srt-Datei die Timecodes oder die Blocknummern?
Weder noch. Die Datei wird mit derselben Format-Schicht geparst, die auch die Konvertierungsseiten verwenden, und nur der Text jedes Blocks bleibt erhalten – Indexnummern, das 00:00:01,000 -->-Schema der Zeiten und Inline-Tags wie <i> oder {pos()} sind vor der Synthese verschwunden. Zu hören sind die Wörter in ihrer Reihenfolge. Sollen die Zeiten beachtet statt verworfen werden, ist die Seite richtig, die eine Untertiteldatei vertont und jeden Block an seinen eigenen Start legt.
Nimmt das Textfeld für die Vorlesung einen ganzen Artikel auf oder nur ein bis zwei Sätze?
Ein ganzer Artikel ist in Ordnung, weil der Text vor dem Modell in Stücke geteilt wird. Eingefügter Inhalt wird als reine Textdatei verpackt und landet in derselben Warteschlange wie eine abgelegte Datei, bekommt also dieselbe 400-Zeichen-Teilung, denselben Fortschrittsbalken und denselben Abbrechen-Knopf. Die praktische Grenze ist der Speicher, nicht die Länge: Ein langer Artikel ergibt ein langes WAV, und eine Stunde 24-kHz-Mono-PCM sind einige hundert Megabyte, deshalb lohnt sich MP3, wenn die Lesung länger als ein paar Minuten wird.
Warum klingen die Pausen zwischen Sätzen bei dieser Vorlesung länger als bei der Untertitel-Vertonung?
Weil zwischen den Stücken eine Viertelsekunde Stille eingefügt wird, damit aufeinanderfolgende Sätze nicht ineinanderlaufen, während die Untertitel-Vertonung jede Zeile an den exakten Start eines Blocks legt und die dort bereits vorhandene Lücke füllt. Hier ist die Pause unabhängig vom Inhalt fest 250 ms, weil es keine Zeitachse gibt, der sie folgen müsste. Sätze innerhalb eines Stücks verbindet die Zeichensetzung des Modells, nur Stückgrenzen – etwa alle 400 Zeichen – bekommen die zusätzliche Pause.
Welche Stimmen gibt es für Spanisch und Portugiesisch – eine oder mehrere?
Je eine: ef_dora für Spanisch und pf_dora für brasilianisches Portugiesisch, daneben zwei englische Varianten aus den Vereinigten Staaten (af_heart, af_bella), eine weitere amerikanische Stimme (am_michael), zwei britische Stimmen (bf_emma, bm_george), ff_siwis für Französisch, hf_alpha für Hindi und if_sara für Italienisch. Mehrere englische Stimmen gibt es, weil dort die meisten Vertonungen angefragt werden; andere Sprachen bekommen eine, damit die Liste kurz genug zum Anhören bleibt. Eine Stimme legt neben dem Timbre auch den Akzent fest und entscheidet damit, mit welchen Phonemen einer Sprache der Text gelesen wird.
Lässt sich die entstandene MP3 oder M4A als Podcast-Segment veröffentlichen?
Technisch ja – beide sind Standardcontainer, von einer lokalen ffmpeg-Version codiert, und das Audio ist 24-kHz-Mono, was für Sprache in Ordnung und für Musik dünn ist. Redaktionell vor dem Veröffentlichen anhören: Das Modell verschluckt manchmal einen Endkonsonanten, betont einen Eigennamen seltsam oder liest eine Abkürzung Buchstabe für Buchstabe. Währenddessen wird nichts hochgeladen, und es ist kein Wasserzeichen und kein Tracking eingebettet, aber eine synthetische Stimme trägt auch keine Offenlegung – wer ein menschliches Publikum erwartet, sollte sagen, welche der beiden spricht.