Die algorithmische Explosion hat es uns ermöglicht, Bilder und Musik zu erzeugen, aber auch die Umwandlung von Sprache zu Text hat beachtliche Fortschritte gemacht. Wer nach einem Untertitel oder einer Transkription sucht, findet viele kostenlose Dienste, aber wie sieht es in die andere Richtung aus? Ich meine das Text-to-Speech, die klassische Umwandlung von Text zu Sprache, die viele Nutzer häufig benötigen. Heute werden wir einige Online-Plattformen erkunden, ihre kostenlosen Modi untersuchen und wenn möglich Ergebnisse vergleichen.
Text zu Sprache: Mit jeder Generation besser
Ich erinnere mich noch gut daran, als die erste Version von Dragon NaturallySpeaking auf den Markt kam. Wir mussten stundenlang mit dem System kämpfen, um es zu „trainieren“, und mit etwas Glück erkannte es am Ende 25 Prozent der Wörter. Heutzutage ist es so einfach, mit einem Gerät zu sprechen und Sprachbefehle zu übermitteln, dass niemand mehr über den komplexen Evolutionsprozess nachdenkt, der uns hierher gebracht hat.
Die Sprachsynthese ist noch älter (man denke an den Vocoder von Bell Labs oder einen IBM-Computer, der in den 60er Jahren „Daisy Bell“ sang), aber mit dem Aufkommen neuer Modelle auf Basis von künstlicher Intelligenz ist es keine Übertreibung zu sagen, dass sie sich in ihrer besten Phase befindet. Tatsächlich ist die Umwandlung von Text zu Sprache näher denn je, und heute werden wir das kostenlose Angebot einiger Plattformen erkunden, die speziell für diese Aufgabe entwickelt wurden.
So konvertierst du Text zu Sprache: ElevenLabs
Der kostenlose Modus von ElevenLabs begrenzt die Verarbeitung auf zehntausend Zeichen pro Monat und erlaubt keine kommerzielle Nutzung, aber das sollte für jedes persönliche Projekt mehr als ausreichen. Die Liste der verfügbaren Sprachen umfasst 28, während in der Demo (maximal 333 Zeichen) 29 Stimmen aktiviert sind.
Diese Demo ist nicht nur für sich genommen beeindruckend, sondern ElevenLabs ermöglicht es uns auch, eine Kopie des Ergebnisses als MP3 herunterzuladen. Am einfachsten ist es, sich mit Google-Anmeldedaten anzumelden, und im Inneren finden wir erweiterte Parameter wie alternative Modelle, Stabilität und Klarheit. Allerdings ist ElevenLabs nicht perfekt (einige Stimmen wandeln die Zahl 25 in „twenty-five“ statt „veinticinco“ um), aber es bietet einen hervorragenden Ausgangspunkt für alle Arten von Nutzern.
Speechify
Speechify ist ein anderes Wesen als der Rest. In gewisser Weise teilt es sich in zwei Teile: einen auf traditionelles Text-to-Speech fokussierten mit neun spanischen Stimmen und die vollständige „Webapp“, in die wir Text als Link zu einer Webseite, ein neues Dokument, eine lokale Datei, ein gescanntes physisches Dokument oder eine in der Cloud gespeicherte Kopie eingeben können. Mit anderen Worten: Speechify ist ein Produktivitätstool, das uns hilft, Texte schneller zu verarbeiten.
Die spanische Sprache verfügt in der Webapp über insgesamt zwölf Stimmen, und ich empfehle, alle auszuprobieren. Die Qualitätsunterschiede können selbst zwischen ähnlichen Stimmen sehr groß sein, und die Geschwindigkeitsregelung ist entscheidend, um die Ergebnisse zu optimieren. Speechify erlaubt im kostenlosen Modus keinen Download des Audios, aber nichts hindert uns daran, es mit einem kompatiblen Tool im Hintergrund aufzunehmen.
Bark
Bark ist eine Kreation von Suno AI, einer Plattform, die viel besser für ihre Fähigkeiten bekannt ist, Musik mit künstlicher Intelligenz über das Tool Chirp zu erzeugen. Ihre Text-to-Speech-Technologie ist Open Source, was bedeutet, dass jeder Python-Reiter direkt mit dem Code auf GitHub kreuzen kann und Demos, Beispiele und andere technische Details erkunden kann.
Die einfachste Alternative ist natürlich, zu ihrem Discord-Server zu gehen, den Kanal der Bark-Beta zu betreten und mit der Erzeugung von Stimmen zu beginnen. Die Befehle teilen sich in /bark auf, um den Motor zu aktivieren, gefolgt von prompt (dem Text, den wir verarbeiten möchten) und voice, bei dem wir mit der Option random würfeln oder eine Stimme aus der Liste wählen können. In weniger als einer Minute teilt Bark die Konversation, verfügbar als MP3 und MP4.
Zusammenfassung
Ich hoffe, dass diese Auswahl und ihre Beispiele dazu beitragen, eine solide Vorstellung von der Umwandlung von Text zu Sprache mit künstlicher Intelligenz zu bekommen und welche Einschränkungen am wichtigsten sind. Jenseits der unvermeidlichen Beschränkungen der kostenlosen Profile denke ich, dass die Bedingungen definitiv geeignet sind, die meisten unserer Bedürfnisse zu decken, ohne einen einzigen Cent auszugeben.
