Stimme generieren (TTS)

Synthetisiere Untertiteldateien (mit Timing) oder beliebigen Text zu MP3- / WAV-Audio. Fünf TTS-Backends: Edge TTS (kostenlos), ElevenLabs (höchste Qualität), Google Cloud TTS, Gemini TTS (kostenlose Stufe) und Piper TTS (offline).

Was du brauchst

• FFmpeg im PATH — siehe FFmpeg-Setup.
• Ein TTS-Backend, eines von:
  • Edge TTS — kostenlos, kein Schlüssel, Standard. Verwendet die Cloud-Stimmen von Microsoft Edge.
  • ElevenLabs — kostenpflichtig, höchste Qualität. Siehe ElevenLabs-Setup.
  • Google Cloud TTS — kostenpflichtig, sehr gut. Siehe Google Cloud-Setup.
  • Gemini TTS — kostenlose Stufe, natürliche vorgefertigte Stimmen. Verwendet deinen vorhandenen Gemini-API-Schlüssel aus dem LLM-Tab — kein zusätzliches Setup.
  • Piper TTS — vollständig offline neuronales TTS. Kein API-Schlüssel, keine Netzwerkaufrufe — Stimmen sind ~25–60 MB ONNX-Dateien, die einmal über Einstellungen → Stimme → Piper TTS → Stimmen jetzt herunterladen heruntergeladen werden. 32 der 45 Sprachen der App haben heute eine Piper-Stimme; Sprachen ohne Piper-Abdeckung fallen zur Synthesezeit stillschweigend auf Edge TTS zurück.

Schritt für Schritt

1. Klicke in der Seitenleiste auf Stimme generieren.
2. Lege eine oder mehrere .srt / .vtt / .ass / .ssa Untertiteldateien ab.
3. Wähle die Sprache (wenn möglich aus dem Untertiteldateinamen automatisch erkannt — z. B. _translated_en_de.srt wird als Deutsch erkannt).
4. Wähle das Stimmgeschlecht — Weiblich oder Männlich.
5. Wähle das Ausgabeformat — .mp3 (Standard) oder .wav.
6. Klicke auf Generieren (oder Ctrl+Enter).
7. Öffne die Zeile, wenn fertig — sie spielt in deiner Standard- Audio-App ab.

Ausgabe

Du erhältst eine einzelne Audiodatei mit den Sprachspuren, die am Zeitstempel jedes Untertitels platziert sind. Stille Lücken füllen die Zeit zwischen den Cues, sodass das Audio mit dem ursprünglichen Timing synchron bleibt.

Auswahl eines TTS-Backends

Backend	Kosten	Stimmen	Notizen
Edge TTS	Kostenlos	Hunderte, alle wichtigen Sprachen	Standard. Kein Setup.
ElevenLabs	Kostenpflichtig (~5 $/Mo Einstiegsstufe)	Premium-Neuronale Stimmen, Sprach-Klonung	Höchste Qualität. Voice-ID wird in Einstellungen → Service festgelegt.
Google Cloud TTS	Kostenpflichtig (~4 $/M Zeichen; 1 M kostenlos / Monat)	WaveNet- / Studio-Stimmen in 50+ Sprachen	Starke WaveNet-Stimmen für europäische Sprachen. Standardmäßig wählt der Server eine Stimme nach Sprache + Geschlecht.
Gemini TTS	Kostenlose Stufe (Developer-API-Quoten gelten)	Natürliche vorgefertigte Stimmen in 24+ Sprachen — Kore (weiblich Standard) / Puck (männlich Standard)	Verwendet deinen Gemini-API-Schlüssel aus dem LLM-Tab. Ausgabe pro Aufruf auf ~30 s begrenzt; lange Texte werden automatisch an Satzgrenzen geteilt.
Piper TTS	Kostenlos, offline	Neuronale Stimmen in 32 der 45 Sprachen der App	Kein Schlüssel, kein Netz. Stimme pro Sprache wird auf Anfrage über Einstellungen → Stimme → Piper TTS → Stimmen jetzt herunterladen heruntergeladen (~25–60 MB jede). Pre-Flight fängt eine fehlende Stimme ab, bevor die Arbeit beginnt.

Wechsle in Einstellungen → Stimme → TTS-Methode.

Piper-TTS-Spezifika

Piper ist das einzige vollständig offline TTS-Backend in der App. Ein paar Dinge, die du wissen solltest:

• Stimmen-Bibliothek-Dialog — öffne über Einstellungen → Stimme → Piper TTS → Stimmen jetzt herunterladen. Jede Sprachzeile zeigt einen Weibliche Stimme- und / oder Männliche Stimme- Download-Button (einige Sprachen sind nur ein Geschlecht). Stimmen kommen aus dem HuggingFace-Katalog rhasspy/piper-voices.
• Abdeckung — 32 der 45 Sprachen der App haben eine Piper-Stimme. Die 13 ohne Abdeckung (Belarussisch, Bengali, Chinesisch (Traditionell), Kroatisch, Estnisch, Hebräisch, Japanisch, Khmer, Koreanisch, Litauisch, Malaiisch, Mongolisch, Thailändisch) fallen zur Synthesezeit stillschweigend auf Edge TTS zurück, sodass die Synthese nie an einer fehlenden Stimme hart fehlschlägt.
• Geschlechtsauflösung — wenn du Weiblich wählst, versucht die Engine zuerst die weibliche Stimme für diese Sprache; wenn nur eine männliche Stimme existiert, verwendet sie diese stattdessen (und umgekehrt). Auf INFO-Ebene protokolliert.
• Pre-Flight-Tor — bevor ein Voice-Lauf beginnt, prüft die Seite, dass die Piper-Stimme pro Sprache auf der Festplatte ist. Wenn fehlend, bekommst du einen modalen Dialog mit einer Einstellungen öffnen-Schaltfläche, die dich direkt zur Stimmen-Bibliothek bringt, damit du sie herunterladen kannst, ohne deine Warteschlange zu verlieren.

Gemini-TTS-Spezifika

Gemini TTS verwendet gemini-2.5-flash-preview-tts über die Developer-API. Ein paar Dinge, die du wissen solltest:

• Stimmenauswahl erfolgt heute nach Geschlecht — Weiblich abbildet auf Kore, Männlich auf Puck. Beides sind klare, neutrale Stimmen, die über Sprachen hinweg funktionieren, ohne zu charakterhaft zu klingen.
• Ausgabelängen-Limit — jeder Gemini-API-Aufruf gibt höchstens ~30 s Sprache zurück. Die App teilt Eingabetext unter _GEMINI_TTS_MAX_BYTES (~2000 Byte ≈ 30 s) an Satzgrenzen, dann verkettet die Stücke via FFmpeg. Du wirst bei normalem Untertiteltext keine Kürzung treffen.
• Audioformat — Gemini gibt rohes PCM bei 24 kHz mono s16le aus; die App transkodiert pro Stück zu MP3 (oder WAV, wenn du es ausgewählt hast), damit die endgültige Datei deinem ausgewählten Ausgabeformat entspricht.
• Vertex AI wird für TTS noch nicht unterstützt — selbst wenn dein LLM-Tab für Vertex konfiguriert ist, benötigt Gemini TTS immer noch einen Developer-API-Schlüssel. Die App löst im Voraus AUTH_ERROR aus, wenn er fehlt.

ElevenLabs-Modelle

Drei Modelle sind exponiert:

Modell	Latenz	Qualität	Verwenden für
eleven_multilingual_v2 (Standard)	Mittel	Hoch	Allgemeines TTS
eleven_v3	Mittel	Höchste	Studio / Produktion
eleven_flash_v2_5	Niedrig	Gut	Echtzeit / Live-Modus

Konfiguriere in Einstellungen → Stimme → ElevenLabs-Modell.

Tipps

Neu generieren

Rechtsklick auf eine Zeile → Neu generieren, um Stimmgeschlecht / TTS-Methode / Format zu wechseln, ohne die Übersetzung neu auszuführen.

Pre-Flight-Prüfungen

Die Seite validiert den ElevenLabs-API-Schlüssel (wenn ausgewählt) und die FFmpeg-Verfügbarkeit, bevor sie startet. Du siehst einen freundlichen Dialog, wenn etwas fehlt.

Stop ist atomar

Drücke Stop während der Synthese und du bekommst keine halb geschriebene MP3-Datei im Ausgabeverzeichnis — die Datei wird zuerst an einen temporären Ort geschrieben, dann nur bei Erfolg in Position verschoben.

Tastenkürzel

Tastenkürzel	Aktion
Ctrl+Enter	Generieren
Ctrl+O	Durchsuchen
Ctrl+F	Verlaufssuche fokussieren