Text in Sprache umwandeln (TTS, kostenlos)

Füge deinen Text ein, wähle eine natürliche KI-Stimme und speichere das Ergebnis als WAV oder MP3 – oder nutze sofort die Stimmen deines Geräts.

Bevor du anfängst Urheberrecht, Kennzeichnung der KI-Stimme und der 400-MB-Download (zum Lesen tippen)

Tool wird geladen...

Text vorgelesen zu bekommen hilft beim Korrekturlesen, beim Üben von Präsentationen und bei der Barrierefreiheit. Dieses Tool hat zwei Modi. Die „Hochwertige KI-Stimme“ führt das Open-Source-Modell Supertonic 3 von Supertone direkt in diesem Browser aus und erzeugt eine natürliche, menschenähnliche Sprecherstimme, die du als WAV- oder MP3-Datei speichern kannst. Der Tab „Gerätestimmen“ nutzt die im Browser eingebaute Sprachsynthese, du kannst ihn also sofort verwenden, ohne etwas zu installieren oder ein Modell herunterzuladen.

Was ist die hochwertige KI-Stimme (Supertonic 3)?

Supertonic 3 ist ein Text-zu-Sprache-Modell, das auf dem Gerät läuft und 31 Sprachen unterstützt, darunter Koreanisch, Englisch, Japanisch und Deutsch. Die Inferenz läuft mit ONNX Runtime Web vollständig in diesem Browser, dein Text verlässt dein Gerät also nicht. Wähle aus 5 männlichen und 5 weiblichen Stimmen, ein Tempo von 0,8x bis 1,5x und eine Qualität von 4, 8 oder 16 Verfeinerungsschritten (Denoising) – mehr Schritte klingen natürlicher, dauern aber etwas länger. Du kannst bis zu 5000 Zeichen auf einmal einfügen; innerhalb dieser Grenze werden längere Passagen automatisch in absatzgroße Abschnitte geteilt, der Reihe nach erzeugt und zu einer Audiodatei zusammengesetzt. Die Modelldateien (etwa 400 MB) werden nur beim ersten Mal heruntergeladen und danach im Browser zwischengespeichert. Unterstützt dein Gerät WebGPU, wird es automatisch für eine viel schnellere Erzeugung genutzt, andernfalls wird automatisch auf WebAssembly (WASM) zurückgegriffen.

Wann es hilft

So geht's (hochwertige KI-Stimme)

  1. Öffne den Tab „Hochwertige KI-Stimme“ und wähle eine Sprache und eine Stimme (Männlich 1–5 oder Weiblich 1–5). Deutsch ist auf dieser Seite voreingestellt.
  2. Wähle ein Tempo (0,8 bis 1,5x) und eine Qualität (4, 8 oder 16 Schritte) und füge dann deinen Text ein (bis zu 5000 Zeichen).
  3. Drücke „Vorab laden (ca. 400 MB)“, um das Modell vorher zu holen, oder drücke direkt „KI-Stimme erzeugen“. Das Modell (etwa 400 MB) wird nur einmal heruntergeladen.
  4. Das Ergebnis wird automatisch abgespielt; speichere es als WAV- oder MP3-Datei.
  5. Hör dir das Audio vor der Verwendung ganz an: Prüfe vor allem, wie Eigennamen, Abkürzungen und Zahlen gelesen werden. Der Skriptmodus (Studio) kann noch kein Deutsch; für deutsche Texte nutze die KI-Stimme oben.

So funktioniert es

Die hochwertige Stimme ist das Modell Supertonic 3 von Supertone, das mit ONNX Runtime in deinem Browser läuft; seine Modelldateien (etwa 400 MB) werden einmalig aus unserem Modellspeicher geladen (models.dagotools.com, ersatzweise Hugging Face), und die Gerätestimmen nutzen die eingebaute Sprach-Engine deines Systems. Mit der KI-Stimme wird dein Text nie an einen Server gesendet, und jeder Durchlauf ist auf 5000 Zeichen begrenzt. Im Tab „Gerätestimmen“ können als „online“ markierte Stimmen deinen Text an Server des Browser- oder Betriebssystemanbieters senden.

Mit der KI-Stimme werden dein Text und der Ton in deinem Browser verarbeitet und nicht auf einen Server hochgeladen. Du kannst das selbst mit einem Netzwerktest in den Entwicklertools prüfen.

So geht's (Studio: Dialog, Untertitel, Hintergrundmusik)

  1. Füge dein Skript in die Karte „Studio“ unter „Hochwertige KI-Stimme“ ein (der Skriptmodus kann noch kein Deutsch; das Beispiel ist auf Englisch). Für einen Dialog schreibst du jede Zeile als „Name: Text“.
  2. Drücke „In Sätze teilen“ und lege dann für jeden Sprecher die Stimme und für jeden Satz Tempo, Tonfall und Pause fest. Hör mit ▶ rein und erzeuge bei Bedarf einen Satz mit ↻ neu.
  3. Optional fügst du dem Aussprachewörterbuch Zeilen „Wort=so lesen“ hinzu und wählst eine Hintergrundmusik mit Lautstärke und Absenkung.
  4. Drücke „Alles erzeugen“, um alle Sätze zu erstellen und zu verbinden. Wenn du anhältst, drücke erneut, um fortzufahren.
  5. Lade WAV oder MP3 sowie SRT/VTT-Untertitel herunter. Gib bei der Veröffentlichung an, dass es eine KI-generierte Stimme ist.

So geht's (Gerätestimmen)

  1. Füge im Tab „Gerätestimmen“ den Text in das Feld ein.
  2. Wähle eine Stimme (aus den auf deinem Gerät installierten), ein Tempo (0,5 bis 2,0x) und eine Tonhöhe (0,5 bis 2,0x).
  3. Drücke die Wiedergabetaste, um zuzuhören.
  4. Um den Ton als Datei zu speichern, drücke „Tab-Ton aufnehmen (experimentell)“ und aktiviere im Freigabefenster „Tab-Audio teilen“, sonst wird der Ton nicht aufgenommen.

Unterstützte Formate und Grenzen

Verwendete Open-Source-Software

Tipps

Fehlerbehebung

Häufige Fragen

Kann ich die Sprache als Audiodatei speichern?

Ja. Im Tab „Hochwertige KI-Stimme“ erzeugten Ton kannst du direkt als WAV- oder MP3-Datei speichern. Der Tab „Gerätestimmen“ hat keine eingebaute Speicherfunktion; nutze dort die Methode mit der Bildschirmaufnahme.

Welches Modell steckt hinter der KI-Stimme?

Sie führt das Open-Source-Modell Supertonic 3 von Supertone direkt in diesem Browser aus (ONNX Runtime Web). Es unterstützt 31 Sprachen und bietet 5 männliche und 5 weibliche Stimmen.

Braucht die KI-Stimme eine Internetverbindung?

Nur beim ersten Mal, um die Modelldateien (etwa 400 MB) herunterzuladen. Danach liegen sie im Cache dieses Browsers, und du kannst sie beim nächsten Mal sofort nutzen.

Wird mein Text an einen Server gesendet?

Nicht mit der hochwertigen KI-Stimme: Dein Text und der erzeugte Ton werden vollständig auf diesem Gerät verarbeitet. Heruntergeladen werden nur die Modelldateien, aus dem Modellspeicher der Dagochim-Familie (models.dagotools.com, ersatzweise vom ursprünglichen Anbieter Hugging Face). Im Tab „Gerätestimmen“ können als „online“ markierte Stimmen deinen Text an Server des Browser- oder Betriebssystemanbieters senden.

Warum sehen die Gerätestimmen bei jedem anders aus?

Die Liste der Gerätestimmen stammt von den Sprach-Engines, die auf dem jeweiligen Gerät und Browser installiert sind, sie unterscheidet sich also von Gerät zu Gerät. Die KI-Stimme bietet allen immer dieselben 10 Stimmen.

Darf ich mit der KI-Stimme erstellte Audios veröffentlichen?

Ja, aber du musst angeben, dass sie KI-generiert sind, und darfst sie nicht nutzen, um dich als jemand anderes auszugeben, Deepfakes zu erstellen, etwas Illegales zu tun, andere zu belästigen oder Desinformation zu verbreiten. Details in der OpenRAIL-M-Lizenz.

Kann es mehrere Absätze auf einmal vorlesen?

Ja. Die KI-Stimme akzeptiert bis zu 5000 Zeichen pro Durchlauf; innerhalb dieser Grenze wird langer Text automatisch in absatzgroße Abschnitte geteilt, der Reihe nach gelesen und wieder zusammengesetzt. Für mehr als 5000 Zeichen erzeugst du den Rest in einem weiteren Durchlauf.

Kann ich einen Dialog mit mehreren Sprechern erstellen?

Ja. Schreibe im Studio jede Zeile als „Name: Text“, und jeder Name wird mit einer anderen Stimme gelesen. Du kannst die Stimme eines Sprechers für alle seine Zeilen auf einmal oder pro Satz ändern, und die Namen kommen auch in die Untertitel.

Kann ich nur einen Satz neu erzeugen?

Ja. Nach „In Sätze teilen“ kannst du für jeden Satz Stimme, Tempo, Tonfall und Pause festlegen und mit der Taste ↻ nur diesen einen neu erzeugen. Unveränderte Sätze werden nicht neu erzeugt, es geht also schnell.

Kann ich Untertitel (SRT/VTT) herunterladen?

Ja. Nachdem alles erzeugt wurde, kannst du SRT- und VTT-Untertitel zusammen mit WAV oder MP3 herunterladen. Die Untertitelzeiten richten sich danach, wo jeder Satz im fertigen Audio liegt, sie passen also im Videoeditor.

Kann ich Hintergrundmusik hinzufügen?

Ja. Wähle eine Musikdatei von deinem Gerät und lege Lautstärke, Absenkung während des Sprechens (dB), Ein- und Ausblenden sowie Wiederholung fest. Während des Sprechens wird sie um den eingestellten Wert abgesenkt und in Pausen von mehr als 0,4 Sekunden wieder lauter. Prüfe bitte selbst das Urheberrecht der Musik.

Kann ich steuern, wie Namen oder englische Wörter ausgesprochen werden?

Ja. Füge dem Aussprachewörterbuch Zeilen „Wort=so lesen“ hinzu (zum Beispiel GIF=jif oder Nguyen=win), und sie werden vor der Synthese ersetzt. Das Wörterbuch wird nur auf diesem Gerät gespeichert. Zahlen, Daten, Einheiten und Geldbeträge werden nur bei koreanischem Text automatisch in Wörter umgewandelt; in anderen Sprachen wie Deutsch schreibst du sie so aus, wie sie gelesen werden sollen (zum Beispiel „zweitausendsechsundzwanzig“ für 2026).

Mehr erfahren

Mehr dazu im Ratgeber: Text-zu-Sprache nutzen und als Datei speichern.

Für Entwickler: Tools That Don't Upload bietet eine REST-API mit kostenlosem Kontingent (mit Nutzungslimits) für Daten-, Text-, Code-, PDF- und Web-Aufgaben. Audioverarbeitung gehört nicht zur API.

Weitere kostenlose Tools