Hybride Sprachproduktion

Viele sehen heute in KI-Stimmen die Zukunft der Sprachproduktion, da sie eine effiziente (und damit günstigere) Alternative zur Arbeit mit echten Sprecher:innen verspricht.

Wir bei audioberlin haben uns von Anfang an ausgiebig mit KI-Stimmen beschäftigt – von der Mitarbeit an/ der Aufnahme von Text-to-Speech Systemen bis zum Testen + Anwenden unterschiedlichster Systeme.

Vorteile sehen wir in der Skalierbarkeit und den Kosten. Große Textmengen können in kurzer Zeit und kostengünstig vertont werden. Auch Konsistenz und Reproduzierbarkeit künstlicher Stimmen („nie alternd“ „nie erkältet“ „immer gleichklingend“) lieben unsere Toningenieure. Neuerdings kommt noch die Mehrsprachigkeit dazu. Ein und dieselbe KI-Stimme neuer Generation spricht fließend z.B. Englisch, Deutsch, Spanisch, Portugiesisch und Mandarin.

Aktuell und mit den Ohren von Audio-Aficionados sehen wir aber in KI-Stimmen (noch) keine „grundsätzliche Alternative“. So faszinierend die Ergebnisse auch sind, es muss viel Aufwand betrieben werden, dass Fremdwörter, Aufzählungen, Abkürzungen, Typenbezeichnungen, etc. korrekt „ausgesprochen“ werden. Auch Emotionalität, Rhythmus und Schauspiel, kurz gesagt emotionales Storytelling, sind unserer Meinung nach noch weit von den Möglichkeiten menschlicher Stimmen entfernt. Verwertungsrechtliche Fragen sind oft nicht ausreichend geklärt und ethische Fragen, wie der Möglichkeit von Manipulation und Fehlinformation, werden gerne ignoriert.

Insgesamt sehen wir in KI-generierten Stimmen Potenzial, aber die Anwendung erfordert eine sorgfältige Abwägung zwischen Effizienz und Authentizität.