So funktioniert Text to Speech: Stimmen, Limits und Preise

Text to Speech verwandelt geschriebenen Text in eine gesprochene Audiodatei. Man nutzt es für Voice-Over bei Folien oder Videos, um sich Artikel anzuhören statt sie zu lesen, um die Aussprache fremder Ausdrücke zu prüfen oder um Sprachnachrichten mit der eigenen geklonten Stimme zu versenden. Es funktioniert auf web.vocalingo.app, iOS und Android.

Welchen Text du eingeben kannst

Ein Durchlauf verarbeitet bis zu 10.000 Zeichen, was bei normalem Tempo etwa 11 Minuten Sprache entspricht. Ein Zähler unter dem Eingabefeld zeigt dir die Zeichenanzahl an.

• Tippe den Text ein oder tippe auf Einfügen, um ihn aus der Zwischenablage zu übernehmen.

• Diktiere den Text über das Mikrofonsymbol: Die App wandelt dein Gesprochenes direkt in Text um.

• Sende Text aus einem anderen Tool: Nach Speech to Text oder Video to Text tippst du einfach unter Wie geht es weiter? auf Text to Speech.

Ist der Text zu lang, meldet die App "Der Text ist zu lang. Maximal 10.000 Zeichen." Teile ihn in Abschnitte auf und vertone sie nacheinander.

So vertonst du einen Text

1. Öffne im Tab Tools den Bereich Text to Speech.

2. Gib im Tab Text deinen Text ein und tippe auf Weiter.

3. Wähle im Tab Stimme eine Stimme aus. Über den Play-Button neben der Stimme kannst du eine Hörprobe abspielen. Standardmäßig ist die MiniMax-Stimme Expressive Narrator ausgewählt.

4. Passe die Stimme bei Bedarf unter der Liste an: Regieanweisungen für OpenAI-Stimmen, Emotion, Tempo und Tonhöhe für MiniMax, Stabilität, Ähnlichkeit und Stil für ElevenLabs. Tippe anschließend auf Weiter.

5. Prüfe im Tab Ergebnis die geschätzten Kosten und tippe auf Generieren.

Während die Audiodatei erstellt wird, zeigt der Button "Audio wird generiert..." samt Fortschritt in Prozent an, darunter erscheint Abbrechen.

Welche Stimmen zur Auswahl stehen

Die Stimmenauswahl bietet sieben Tabs: Favoriten, Zuletzt verwendet, Meine Stimmen, MiniMax, Qwen 3, OpenAI und ElevenLabs. MiniMax und ElevenLabs klingen bei langen Texten am natürlichsten, OpenAI-Stimmen lassen sich über Prompts steuern, und unter Meine Stimmen findest du die aus deinen Aufnahmen geklonten Stimmen. Ein Vergleich aller Gruppen samt Preisen: Welche Text to Speech-Stimme du wählen solltest. Wie du Stimmen suchst, vorhörst und als Favoriten speicherst: Stimmen auswählen.

So fügst du Lachen, Pausen und die richtige Betonung hinzu

Bei Stimmen von MiniMax und ElevenLabs zeigt der Tab Text entsprechende Tags an. Tippe auf ein Tag, um es zu kopieren, und füge es an der gewünschten Stelle im Text ein.

• MiniMax: (laughs), (sighs), (coughs), (crying), (gasps), (groans) sowie <#1#> für eine Sekunde Pause.

• ElevenLabs: [excited], [sad], [angry], [curious], [whispers], [laughs], [sighs], [crying] und Auslassungspunkte (...) für eine Pause. Zu viele Tags hintereinander können zu Tonfehlern führen.

• Wird ein Wort auf der falschen Silbe betont, schreibe den betonten Teil in Großbuchstaben, zum Beispiel UMfahren (ein Hindernis umkurven) und umFAHREN (etwas anfahren).

Was du erhältst und wo du es findest

Der Tab Ergebnis zeigt einen Audioplayer. Neben dem Player findest du einen Button: In der App öffnet er das Teilen-Menü, damit du die Datei weiterleiten oder auf dem Gerät speichern kannst; im Web lädt er die Datei herunter. Wenn du etwas anpassen möchtest, bearbeite den Text oder die Stimme und tippe auf Erneut generieren.

Jedes Ergebnis landet im Verlauf: Tippe oben auf das Uhrensymbol. Ohne Premium bleiben die letzten 3 Ergebnisse erhalten, mit Premium alle. Details dazu: Verlauf: Ergebnisse speichern, wiederherstellen und löschen.

Wie viel es kostet

Der Preis richtet sich nach der Stimme und der Textlänge. Tokens werden erst für eine fertig generierte Datei abgebucht: Schlägt die Erstellung fehl, zahlst du nichts oder die Tokens werden zurückerstattet.

Das Minimum pro Vorgang beträgt 1 Token. Anweisungen, Emotionen und andere Feineinstellungen wirken sich nicht auf den Preis aus. Preise für weitere Funktionen: Token-Preise für jedes Tool.

Was Text to Speech nicht kann

• Es übersetzt nicht. Die Stimme liest den Text in der Sprache vor, in der er verfasst ist. Möchtest du Audio in einer anderen Sprache, übersetze den Text vorab in Text Translation.

• Es kann die Stimme in einer bestehenden Tonaufnahme nicht ersetzen. Dafür gibt es den Voice Changer.

• Das Resultat bietet keinen Bereich Wie geht es weiter?, die Audiodatei wird also nicht automatisch an andere Tools übergeben.

Dauert der Vorgang zu lang, zeigt die App "Die Spracherstellung hat zu lange gedauert. Bitte versuche es erneut." Tippe auf Erneut versuchen, und wechsle bei einem erneuten Fehler die Stimme.