IM6 - KI-Stimmen und Text-to-Speech
IM6 - KI-Stimmen und Text-to-Speech
IM6 - KI-Stimmen und Text-to-Speech
KI-Stimmen und Text-to-Speech helfen dabei, geschriebenen Text hörbar zu machen. Dabei erzeugt ein Computer aus Buchstaben, Wörtern und Sätzen eine künstliche Stimme. Diese Technik wird auch Sprachsynthese genannt.
In diesem aiMOOC untersuchst Du, wie gut unterschiedliche synthetische Stimmen verständlich sind, wie sie beim Lernen helfen können und welche Chancen sie für Barrierefreiheit bieten. Gleichzeitig lernst Du Risiken kennen. Besonders wichtig ist eine klare Regel: Die Stimme einer realen Person darf nicht ohne ihre Einwilligung geklont oder nachgeahmt werden.
Was bedeutet Text-to-Speech?
Text-to-Speech, kurz TTS, bedeutet auf Deutsch ungefähr „Text zu Sprache“. Ein TTS-System erhält einen geschriebenen Text und gibt ihn als gesprochene Sprache aus.
Ein einfaches Beispiel:
Text: Heute lernen wir, wie künstliche Stimmen funktionieren.
Ein TTS-System analysiert diesen Satz und erzeugt daraus eine hörbare Ausgabe. Moderne Systeme können dabei Satzzeichen, Betonungen, Pausen und teilweise auch den Zusammenhang eines Satzes berücksichtigen.
Die erzeugte Stimme kann unterschiedlich klingen. Manche Stimmen wirken eher hell, andere eher dunkel, manche sprechen schneller oder langsamer. Für Lernzwecke ist nicht entscheidend, ob eine Stimme möglichst menschlich wirkt. Viel wichtiger sind Verständlichkeit, eine passende Geschwindigkeit und eine klare Aussprache.
Wie entsteht eine synthetische Stimme?
Vereinfacht kann man den Vorgang in mehrere Schritte teilen.
- Textanalyse: Das System erkennt Wörter, Satzzeichen und Satzgrenzen.
- Aussprache: Es bestimmt, wie Wörter ausgesprochen werden sollen.
- Prosodie: Es plant Pausen, Betonung, Rhythmus und Sprechtempo.
- Sprachsynthese: Aus diesen Informationen wird ein Tonsignal erzeugt.
Bei modernen KI-Systemen werden dafür häufig neuronale Netze verwendet. Diese Systeme lernen aus großen Mengen von Sprachdaten typische Muster der gesprochenen Sprache.
Wichtig ist: Eine neutrale synthetische Stimme muss keine bestimmte reale Person darstellen. Sie kann als eigenständige Computerstimme verwendet werden.
Hörlabor: Neutrale synthetische Stimmen vergleichen
Für die folgenden Hörvergleiche kannst Du die auf Deinem Gerät vorhandene Vorlesefunktion, einen Screenreader oder eine schulisch freigegebene TTS-Anwendung verwenden. Wähle dabei nur neutrale Systemstimmen und keine nachgebildete Stimme einer bekannten oder privaten Person.
Verwende für jede Stimme denselben Text. Nur so kannst Du fair vergleichen.
Vergleichstext A – Sachtext
„Wasser kann fest, flüssig oder gasförmig sein. Wird Eis erwärmt, schmilzt es. Wird Wasser stark erhitzt, kann Wasserdampf entstehen.“
Vergleichstext B – Aussprache
„Photosynthese, Atmosphäre, Mathematik, Geografie, Experiment, Energie und Temperatur.“
Vergleichstext C – Satzzeichen
„Stopp! Ist das wirklich richtig? Ja, aber lies den Satz langsam und deutlich vor.“
Vergleichstext D – Zahlen und Einheiten
„Die Strecke ist 2,5 Kilometer lang. Die Temperatur beträgt 18 Grad Celsius.“
Vergleichstext E – Fremdwörter
„Computer, Podcast, Team, Video, Algorithmus und Recycling.“
Teste möglichst mehrere neutrale Stimmen, zum Beispiel Stimme A, Stimme B, Stimme C und Stimme D. Verändere zusätzlich das Sprechtempo.
Untersuche bei jedem Hörvergleich:
- Sind alle Wörter verständlich?
- Werden Satzzeichen hörbar berücksichtigt?
- Sind Fachbegriffe korrekt ausgesprochen?
- Ist die Geschwindigkeit angenehm?
- Kannst Du dem Inhalt folgen, ohne gleichzeitig mitzulesen?
- Welche Stimme eignet sich am besten für einen Lerntext?
Verständlichkeit untersuchen
Eine Stimme ist nicht automatisch gut verständlich, nur weil sie natürlich klingt. Für Lerntexte sind mehrere Punkte wichtig.
Sprechtempo: Eine zu schnelle Stimme kann anstrengend sein. Eine sehr langsame Stimme kann wiederum den Zusammenhang eines Satzes schwerer erkennbar machen.
Pausen: Kurze Pausen nach Punkten und Absätzen helfen beim Verstehen.
Betonung: Wichtige Wörter sollten nicht völlig gleichförmig gesprochen werden.
Aussprache: Fachbegriffe, Abkürzungen, Zahlen und Eigennamen können für TTS-Systeme schwierig sein.
Textqualität: Auch der geschriebene Text selbst beeinflusst die Verständlichkeit. Kurze Sätze und klare Formulierungen können die Hörversion verbessern.
Experiment: Welches Sprechtempo ist am besten?
Lass denselben Lerntext in drei Geschwindigkeiten vorlesen:
- langsam
- mittel
- schnell
Notiere danach, bei welcher Geschwindigkeit Du die meisten Inhalte behalten hast. Vergleiche Dein Ergebnis mit Mitschülerinnen und Mitschülern. Es kann unterschiedliche gute Lösungen geben, denn Menschen hören und lernen verschieden.
Barrierefreiheit
Text-to-Speech kann ein wichtiges Werkzeug für digitale Barrierefreiheit sein. Menschen, die einen Text nicht oder nur schwer visuell lesen können, können sich Inhalte vorlesen lassen. Auch Screenreader verwenden Sprachausgabe.
TTS kann außerdem hilfreich sein:
- für Menschen mit Sehbeeinträchtigungen,
- beim Lernen einer Sprache,
- beim Kontrollieren selbst geschriebener Texte,
- beim Lernen unterwegs,
- bei Leseschwierigkeiten,
- wenn Lesen und Hören kombiniert werden sollen.
Barrierefreiheit bedeutet jedoch mehr als nur eine Vorlesefunktion. Webseiten brauchen zum Beispiel eine sinnvolle Struktur, verständliche Überschriften und beschreibende Alternativtexte für Bilder.
Use-Case 1: Lerntext vorlesen
Ein Lerntext kann mit TTS zusätzlich als Hörfassung genutzt werden.
Beispiel:
Lerntext: „Die Erde benötigt ungefähr 24 Stunden für eine Drehung um ihre eigene Achse. Dadurch entstehen Tag und Nacht.“
Beim Vorlesen kannst Du prüfen:
- Spricht das System „24 Stunden“ verständlich aus?
- Entsteht nach dem ersten Satz eine deutliche Pause?
- Wird der Zusammenhang von Ursache und Wirkung verständlich?
Eine Hörfassung kann das Lesen ergänzen. Sie muss den Text nicht ersetzen.
Use-Case 2: Aussprachehilfe
TTS kann dabei helfen, einzelne Wörter mehrfach anzuhören. Das ist besonders beim Fremdsprachenlernen nützlich.
Beispielwörter:
Deutsch: Atmosphäre, Elektrizität, Archäologie
Englisch: environment, language, computer
Französisch: école, musique, ordinateur
Höre ein Wort mehrfach an und sprich es anschließend selbst. Vergleiche Deine Aussprache mit der neutralen synthetischen Stimme. Verwende für Fremdsprachen möglichst eine Stimme, die ausdrücklich für die jeweilige Sprache vorgesehen ist.
Use-Case 3: Hörversion eines aiMOOCs
Auch ein aiMOOC kann zusätzlich als Hörversion angeboten werden. Dafür sollte der Text zunächst für das Hören vorbereitet werden.
Eine gute Hörfassung besitzt:
- kurze und verständliche Sätze,
- klare Überschriften,
- sinnvolle Pausen,
- ausgeschriebene oder verständlich erklärte Abkürzungen,
- eine passende Sprechgeschwindigkeit,
- eine neutrale Stimme.
Bei Bildern muss der wichtige Inhalt zusätzlich sprachlich beschrieben werden, wenn er zum Verständnis nötig ist. Nur das Vorlesen des sichtbaren Textes reicht für vollständige Barrierefreiheit nicht immer aus.
Hörvergleich: Lesen und Hören
Führe einen kleinen Klassenversuch durch.
Runde 1: Lies einen kurzen Lerntext nur mit den Augen.
Runde 2: Höre einen anderen, ähnlich schwierigen Lerntext nur als TTS-Ausgabe.
Runde 3: Lies einen dritten Text mit und höre gleichzeitig die TTS-Ausgabe.
Beantworte danach jeweils drei Verständnisfragen. Vergleicht nicht, wer „besser“ ist, sondern welche Darstellungsform für welche Person und welche Aufgabe hilfreich ist.
Grenzen von KI-Stimmen
Synthetische Stimmen können Fehler machen. Dazu gehören:
- falsche Aussprache von Eigennamen,
- unpassende Betonungen,
- fehlende Emotionen oder übertriebene Betonung,
- falsche Aussprache von Abkürzungen,
- Missverständnisse bei Zahlen und Sonderzeichen,
- ungeeignete Sprachwahl.
Deshalb sollte eine Hörversion vor der Veröffentlichung immer probegehört werden.
Risiken und Missbrauch
KI-Stimmen können nicht nur sinnvoll eingesetzt werden. Sie können auch missbraucht werden.
Ein besonderes Risiko ist Voice Cloning. Dabei wird versucht, die Stimme einer bestimmten Person künstlich nachzubilden. Solche Nachahmungen können für Täuschungen oder Betrugsversuche eingesetzt werden.
Für diesen aiMOOC gilt deshalb eine klare Sicherheitsregel:
Klone oder imitiere niemals die Stimme einer realen Person ohne ihre ausdrückliche Einwilligung.
Das gilt für Lehrkräfte, Mitschülerinnen und Mitschüler, Familienmitglieder, Prominente und andere Personen.
Wie erkennst Du mögliche Täuschungen?
Eine künstliche Stimme kann sehr überzeugend klingen. Deshalb solltest Du wichtige Aussagen nicht allein deshalb glauben, weil eine Stimme vertraut klingt.
Wenn eine Sprachnachricht ungewöhnliche Forderungen enthält, etwa nach Geld, Passwörtern oder geheimen Informationen, solltest Du:
- keine vertraulichen Daten weitergeben,
- die Person über einen bekannten zweiten Weg kontaktieren,
- eine erwachsene Vertrauensperson hinzuziehen,
- bei Zeitdruck besonders vorsichtig sein.
Die Stimme allein ist kein sicherer Beweis dafür, wer wirklich spricht.
Datenschutz und Einwilligung
Eine Stimme kann persönliche Merkmale einer Person enthalten. Sprachaufnahmen sollten deshalb nicht gedankenlos hochgeladen oder weitergegeben werden.
Vor einer Aufnahme oder Veröffentlichung solltest Du klären:
- Wer wird aufgenommen?
- Wurde die Person informiert?
- Wurde der Nutzung zugestimmt?
- Wo wird die Aufnahme gespeichert?
- Wer kann sie hören?
- Wird sie später wieder gelöscht?
Für Schulprojekte sind neutrale synthetische Stimmen meistens die sicherere Wahl.
Medienkompetenz: Echt, künstlich oder unklar?
Es ist nicht immer möglich, allein am Klang zuverlässig zu erkennen, ob eine Stimme echt oder künstlich ist. Deshalb ist Quellenprüfung wichtig.
Frage Dich:
- Woher stammt die Audiodatei?
- Wer hat sie veröffentlicht?
- Gibt es eine zweite verlässliche Quelle?
- Passt die Aussage zum bekannten Zusammenhang?
- Wird versucht, Angst oder Zeitdruck zu erzeugen?
Diese Fragen gehören zur Medienkompetenz.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Was bedeutet Text-to-Speech? (Geschriebenen Text automatisch in gesprochene Sprache umwandeln) (!Gesprochene Sprache automatisch in Bilder umwandeln) (!Eine Tastatur durch ein Mikrofon ersetzen) (!Eine Internetseite automatisch übersetzen)
Was ist für einen Lerntext besonders wichtig? (Eine gut verständliche Stimme) (!Eine möglichst bekannte Prominentenstimme) (!Eine besonders laute Stimme) (!Eine Stimme ohne Pausen)
Warum sollte bei Hörvergleichen immer derselbe Text verwendet werden? (Damit die Stimmen fair miteinander verglichen werden können) (!Damit der Text schwieriger wird) (!Damit jede Stimme andere Wörter spricht) (!Damit keine Pausen entstehen)
Welche Funktion kann Text-to-Speech für Barrierefreiheit haben? (Texte hörbar machen) (!Bilder automatisch ausdrucken) (!Bildschirme größer machen) (!Tastaturen reparieren)
Was kann bei synthetischen Stimmen problematisch sein? (Fachbegriffe können falsch ausgesprochen werden) (!Jeder Satz wird automatisch richtig verstanden) (!Jede Stimme ist gleich schnell) (!Alle Sprachen klingen identisch)
Welche Nutzung ist in diesem aiMOOC ausdrücklich nicht erlaubt? (Die Stimme einer realen Person ohne Einwilligung klonen) (!Eine neutrale Systemstimme verwenden) (!Einen Lerntext vorlesen lassen) (!Das Sprechtempo vergleichen)
Was hilft bei einer verdächtigen Sprachnachricht? (Die Person über einen bekannten zweiten Weg kontaktieren) (!Sofort Passwörter nennen) (!Jede Forderung direkt erfüllen) (!Die Stimme automatisch für echt halten)
Welche Eigenschaft verbessert meist die Verständlichkeit? (Sinnvolle Pausen) (!Möglichst schnelles Sprechen) (!Keine Satzzeichen) (!Ununterbrochenes Sprechen)
Wofür kann TTS beim Fremdsprachenlernen genutzt werden? (Aussprache anhören und vergleichen) (!Grammatikregeln vollständig ersetzen) (!Alle Vokabeln ohne Übung lernen) (!Jede Übersetzung automatisch prüfen)
Warum sollte eine Hörversion vor der Veröffentlichung geprüft werden? (Weil Aussprache und Betonung Fehler enthalten können) (!Weil synthetische Stimmen immer verboten sind) (!Weil Hörversionen keine Pausen haben dürfen) (!Weil Texte nicht vorgelesen werden dürfen)
Memory
| Text-to-Speech | Text wird zu gesprochener Sprache |
| Screenreader | Hilft beim hörbaren Zugang zu digitalen Inhalten |
| Verständlichkeit | Klare und gut nachvollziehbare Sprachausgabe |
| Aussprachehilfe | Wörter anhören und nachsprechen |
| Voice Cloning | Nachbildung einer bestimmten Stimme |
| Einwilligung | Zustimmung einer betroffenen Person |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Lerntext vorlesen | Hörzugang zu geschriebenen Informationen |
| Aussprachehilfe | Wörter anhören und nachsprechen |
| Neutrale Systemstimme | Sicherere Wahl für ein Schulprojekt |
| Quellenprüfung | Echtheit einer Aussage kontrollieren |
| Einwilligung | Voraussetzung für die Nutzung einer persönlichen Stimme |
Kreuzworträtsel
| Sprache | Was erzeugt ein Text-to-Speech-System aus geschriebenem Text? |
| Stimme | Was hörst Du bei einer TTS-Ausgabe? |
| Pausen | Was hilft zwischen Sätzen beim Verstehen? |
| Betonung | Wie nennt man das Hervorheben bestimmter Wörter beim Sprechen? |
| Screenreader | Welches Hilfsmittel kann Bildschirminhalte vorlesen? |
| Einwilligung | Was muss vor dem Klonen einer realen Stimme vorliegen? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Hörvergleich: Vergleiche zwei neutrale synthetische Stimmen mit demselben kurzen Text. Beschreibe, welche Stimme Du besser verstehst und warum.
- Sprechtempo: Höre denselben Satz langsam, mittel und schnell. Ordne die drei Versionen nach Verständlichkeit.
- Aussprache: Wähle fünf Fachbegriffe aus einem Schulfach und prüfe, wie eine neutrale TTS-Stimme sie ausspricht.
- Barrierefreiheit: Erkläre in einem kurzen Text, wie eine Vorlesefunktion Menschen beim Lernen unterstützen kann.
Standard
- Lerntext: Schreibe einen Lerntext mit ungefähr 100 Wörtern und optimiere ihn so, dass er beim Vorlesen gut verständlich klingt.
- Hörversion: Erstelle mit einer neutralen Systemstimme eine Hörfassung eines selbst geschriebenen Lerntextes und dokumentiere Deine Verbesserungen.
- Vergleichstest: Lass drei neutrale Stimmen denselben Text vorlesen. Entwickle eine Bewertungsskala für Aussprache, Tempo, Pausen und Verständlichkeit.
- Medienkompetenz: Entwirf ein Warnplakat mit fünf Regeln zum sicheren Umgang mit unbekannten oder verdächtigen KI-Stimmen.
Schwer
- Barrierefreier aiMOOC: Wähle einen kurzen aiMOOC-Abschnitt und entwickle dafür eine gut strukturierte Hörfassung mit Bildbeschreibungen.
- Untersuchung: Plane einen kleinen Klassenversuch, in dem Lesen, Hören sowie gleichzeitiges Lesen und Hören miteinander verglichen werden.
- Ethik: Entwickle Klassenregeln für den verantwortungsvollen Umgang mit synthetischen Stimmen. Begründe jede Regel.
- Podcast: Produziere einen kurzen Lernpodcast mit einer neutralen synthetischen Stimme und erkläre im Abspann transparent, dass eine künstliche Stimme verwendet wurde.
|
|
Lernkontrolle
- Verständlichkeit: Erkläre, warum eine besonders natürlich klingende Stimme nicht automatisch die beste Lernstimme sein muss.
- Transfer: Ein TTS-System spricht in einem Biologietext mehrere Fachbegriffe falsch aus. Entwickle einen Plan, wie Du die Hörfassung verbessern und überprüfen würdest.
- Barrierefreiheit: Beurteile die Aussage „Wenn eine Webseite Text-to-Speech anbietet, ist sie automatisch vollständig barrierefrei.“ Begründe Deine Antwort.
- Sicherheit: Du erhältst eine Sprachnachricht, die wie die Stimme einer bekannten Person klingt und dringend Geld verlangt. Beschreibe ein sicheres Vorgehen.
- Ethik: Vergleiche eine neutrale Systemstimme mit einer geklonten persönlichen Stimme. Erkläre, warum sich die Anforderungen an Einwilligung und Verantwortung unterscheiden.
- Lernstrategie: Entscheide, für welche Lernaufgabe Du Lesen, Hören oder die Kombination aus Lesen und Hören wählen würdest. Begründe Deine Entscheidung.
Lernnachweis
Für einen Lernnachweis solltest Du zeigen können, dass Du:
- erklären kannst, was Text-to-Speech und Sprachsynthese bedeuten,
- mehrere neutrale synthetische Stimmen nach nachvollziehbaren Kriterien vergleichen kannst,
- Verständlichkeit anhand von Sprechtempo, Pausen, Aussprache und Betonung beurteilen kannst,
- mindestens drei sinnvolle Lernanwendungen von TTS kennst,
- erklären kannst, wie TTS Barrierefreiheit unterstützen kann,
- Grenzen und mögliche Fehler synthetischer Stimmen erkennst,
- Voice Cloning von neutraler Sprachsynthese unterscheiden kannst,
- begründen kannst, warum eine reale Stimme nicht ohne Einwilligung geklont werden darf,
- bei verdächtigen Audionachrichten sichere Schritte zur Überprüfung nennen kannst,
- eine kurze Hörversion eines Lerntextes verantwortungsvoll planen kannst.
OERs zum Thema
Verknüpfte Lernbereiche