Text in Sprache umwandeln: Von der Stimmenauswahl bis zum MP3-Download

Aus einem Text eine sofort nutzbare MP3 zu machen, braucht im Kern drei Handgriffe: den Text in eine vorlesbare Form bringen, eine zur Sprache passende Stimme wählen und das Ergebnis erst anhören, dann speichern. Die Text-to-Speech-Seite von PixMind bündelt alle drei in einer Oberfläche: links Text eingeben mit live laufendem Zeichenzähler, rechts Stimme und Parameter wählen, das Ergebnis in der Seite abspielen und nach der Freigabe herunterladen.

Text-to-Speech öffnen – mit einer Produktvorstellung unter 100 Zeichen liegt die erste Audiodatei in wenigen Minuten vor.

Kernpunkte

• Im Stimmen-Fenster lassen sich Beispiele direkt abspielen; beim Generieren ist die Microsoft-Engine kostenlos und ohne Registrierung nutzbar, die übrigen Engines erfordern Anmeldung und verbrauchen Credits nach Zeichenanzahl.
• Ohne Anmeldung gelten maximal 100 Zeichen und 2 Gratis-Versuche; nach der Anmeldung bleibt der Free-Tarif bei 100 Zeichen pro Vorgang, zahlende Mitglieder erhalten bis 10000 Zeichen.
• Die Regler für Sprechgeschwindigkeit und Lautstärke gelten für alle Engines, der Tonhöhen-Regler erscheint nur bei der MiniMax-Engine; beim Engine-Wechsel springen alle Parameter auf die Standardwerte zurück.
• Das Ergebnis zuerst im Abspielbalken der Seite auf Namen, Produktnamen und lange Zahlen prüfen, dann herunterladen – heraus kommt eine MP3-Datei.

Einen Text vorbereiten, der sich direkt vorlesen lässt

Qualitätsunterschiede stammen meist vom Text, nicht von den Parametern. Dieselbe Stimme liest schriftliche Langsätze und kurze Sätze völlig unterschiedlich; das Skript erst in „gesprochene Sprache“ zu überführen, wirkt besser als endloses Regler-Justieren.

Drei Regeln für die Überarbeitung. Lange Sätze zerlegen, ein Kernpunkt pro Satz, schriftliche Floskeln wie „zeichnet sich aus durch“ oder „bezweckt“ streichen. Zahlen und Abkürzungen so schreiben, wie sie gesprochen werden sollen – Modellnummer, Betrag und Jahr je als eigenes Wort. Pausen gehören zur Zeichensetzung: Komma ist kurze Pause, Punkt ist Atemholen – kein Rhythmus über Leerzeichen.

Beispiel einer Produktvorstellung. Original: „Dieses Produkt setzt auf die neue Generation unserer selbst entwickelten Engine und zeichnet sich durch Geschwindigkeit, Stabilität und einfache Bedienung aus; es erfüllt die vielfältigen Anforderungen privater und geschäftlicher Nutzer in unterschiedlichsten Szenarien.“ Gesprochene Fassung: „Das ist unsere neue Engine-Generation. Sie ist schnell. Und stabil. Für Einzelpersonen wie für Teams.“

Das Eingabefeld kappt den Text beim aktuellen Zeichenlimit; darunter läuft der Zähler „aktuell / Limit“. Der Limitwert hängt vom Anmeldestatus ab, die Kontrolle dazu steht im Abschnitt „Vorab Kontingent und erwarteten Verbrauch prüfen“.

Nach Sprache filtern und Stimmen probehören

Das rechte Panel startet mit einer Stimme passend zur Interface-Sprache – eine chinesische Oberfläche liefert also eine chinesische Stimme – und kann direkt für die erste Version genutzt werden. Für einen Wechsel gilt diese Reihenfolge:

1. Auf „Stimme wählen“ klicken – das Stimmen-Fenster öffnet sich.
2. Oben in der Zeile „Sprachmodell“ die Engine wechseln: Microsoft, Volcano-Engine, MiniMax, Google, Kleinere Sprachen. Jede Karte nennt die aktuelle Stimmenanzahl der Engine; verbindlich ist die Zahl auf der Oberfläche.
3. Mit dem Dropdown „Sprache“ die Zielsprache filtern. Die Einträge stammen aus dem Stimmen-Katalog der aktiven Engine und wechseln mit ihr.
4. Bei Bedarf über das Dropdown „Geschlecht“ (weiblich, männlich) und das Suchfeld weiter eingrenzen; rechts läuft die Trefferzahl „N Stimmen“ mit.
5. Die Maus auf das Stimmen-Avatar bewegen und auf Wiedergabe klicken, um das Beispiel zu hören; Stimmen ohne Beispiel zeigen den Hinweis „Für diese Stimme liegt kein Probehören vor“.
6. Auf der gewünschten Karte „Auswählen“ klicken; das Fenster schließt sich, und das rechte Panel übernimmt die Stimme.

Das Probehören spielt das mitgelieferte Beispiel der Stimme, nicht den eigenen Text; für den echten Eindruck eine kurze Textzeile generieren und anhören. Es gibt die eine beste Engine nicht: Die Microsoft-Engine ist kostenlos und deckt viele Sprachen ab; die Seite positioniert die Volcano-Engine Richtung Erklärung und Hörbuch, MiniMax Richtung Werbung und Rollensprecher, Google deckt mehr Sprachen und Akzente ab, und die Engine für kleinere Sprachen trägt Regional- und Minderheitssprachen. Pro Aufgabe ein, zwei Stimmen zu testen ist verlässlicher als jede Faustregel.

Sprechgeschwindigkeit, Lautstärke und verfügbare Parameter einstellen

Im Panel „Spracheinstellungen“ gelten die beiden Regler für Sprechgeschwindigkeit und Lautstärke für alle Engines; der dritte Regler „Tonhöhe“ erscheint nur bei Stimmen der MiniMax-Engine. Die Wertebereiche unterscheiden sich:

Parameter folgen der Engine, nicht der Stimme: Beim Wechsel zu einer Stimme einer anderen Engine springen die Regler auf deren Standardwerte, frühere Einstellungen bleiben nicht erhalten. Die Schaltfläche „Parameter zurücksetzen“ unter dem Panel stellt jederzeit die Standardwerte wieder her.

Für die Reihenfolge gilt eine feste Empfehlung: die erste Generierung mit Standardwerten, nach dem Hören entscheiden, ob das Problem im Tempo oder in der Lautstärke liegt, dann den passenden Regler bewegen – eine Änderung pro Durchgang, sonst bleibt verborgen, welche Anpassung gewirkt hat.

Nach der Generierung anhören und die MP3 herunterladen

Stehen Text und Stimme, folgt der Klick auf „Sprache generieren“; während des Vorgangs zeigt die Schaltfläche „Wird generiert…“. Vorab werden Text, Stimme und Zeichenanzahl geprüft; bei unzureichenden Angaben kommt sofort ein Hinweis statt vergeblichen Wartens. Mit dem Ergebnis gilt diese Reihenfolge:

1. Im Abspielbalken unten auf der Seite einmal komplett anhören. Der Balken zeigt Fortschritt, aktuelle Zeit, Gesamtdauer und den Namen der Stimme; der Fortschritt ist ziehbar.
2. Drei Inhalte gezielt prüfen: Namen, Produktnamen, lange Zahlen. Hier liegt die höchste Fehlerwahrscheinlichkeit beim Vorlesen.
3. Bei Fehlern zurück in den Text – Schreibweise anpassen, Zeichensetzung ergänzen oder streichen – und eine neue Version generieren; sie ersetzt die vorherige.
4. Nach der Freigabe auf „MP3 herunterladen“ klicken; die Datei beginnt mit pixmind-tts- und trägt die Endung .mp3.

Vollständiges Beispiel-Audio (Stimme: Yunxi):

Die Seite behält jeweils nur ein Ergebnis; mehrere Audios entstehen Abschnitt für Abschnitt und werden einzeln heruntergeladen.

Vorab Kontingent und erwarteten Verbrauch prüfen

Kontingente müssen nicht erraten werden – alles steht direkt unter dem Textfeld. Vor dem Generieren drei Stellen prüfen:

1. Der Zeichenzähler „X / Y Zeichen“: Ohne Anmeldung und im Free-Tarif ist Y gleich 100, für zahlende Mitglieder 10000.
2. Der Hinweistext neben dem Zähler: ohne Anmeldung „2 Gratis-Versuche · maximal 100 Zeichen pro Versuch“, nach der Anmeldung im Free-Tarif „Free-Nutzer erhalten maximal 100 Zeichen pro Vorgang“.
3. „Erwarteter Verbrauch“: Bei der Microsoft-Engine steht „kostenlos“, es werden keine Credits abgezogen; bei kostenpflichtigen Engines erscheint die Credit-Zahl, berechnet mit 10 Credits je 100 Zeichen – weniger als 100 Zeichen zählen als 100.

Sind die Versuche ohne Anmeldung aufgebraucht, lehnt der Server die Generierung ab und öffnet das Anmeldefenster; nach der Anmeldung geht es weiter. Das Probehören im Stimmen-Fenster unterliegt der Beschränkung nicht und ist jederzeit möglich.

Häufige Fragen

Welche Stimmen lassen sich kostenlos ausprobieren?

Jede Stimme mit Beispiel lässt sich im Fenster direkt probehören, ganz ohne Anmeldung. Beim Generieren gibt es zwei Gruppen: Stimmen der Microsoft-Engine sind kostenlos und ohne Registrierung nutzbar, ohne Anmeldung mit 2 Versuchen à 100 Zeichen; Stimmen der Volcano-, MiniMax-, Google- und Kleinere-Sprachen-Engines verlangen Anmeldung und verbrauchen Credits nach Zeichen. Der Check ist einfach: Steht beim „Erwarteten Verbrauch“ das Label „kostenlos“ oder eine Credit-Zahl?

Welches Format haben die heruntergeladenen Dateien?

MP3. Nach jeder Generierung genügt rechts am Abspielbalken der Klick auf „MP3 herunterladen“; der Dateiname beginnt mit pixmind-tts- und trägt einen Zeitstempel des Erstellungszeitpunkts. Die Seite behält ein Ergebnis; mehrere Abschnitte werden einzeln generiert und getrennt heruntergeladen.

Wie werden lange Texte aufgeteilt?

Zuerst das aktuelle Limit klären: ohne Anmeldung und im Free-Tarif 100 Zeichen pro Vorgang, für zahlende Mitglieder 10000 – was darüber hinausgeht, lässt sich nicht generieren. Nach natürlichen Absätzen oder Satzgruppen schneiden und jeden Teil einzeln generieren und herunterladen. Für ein Manuskript möglichst eine Stimme durchhalten; beachten, dass ein Engine-Wechsel Sprechgeschwindigkeit und Lautstärke auf Standard zurücksetzt – die justierten Werte vor dem Aufteilen notieren.

Jetzt die erste MP3 generieren

Beginnen mit einer Produktvorstellung unter 100 Zeichen: in Kurzsatze überführen, eine chinesische Stimme wählen, mit Standardwerten generieren, komplett anhören – und dann erst entscheiden, ob Tempo oder Stimme wechseln. Liegt die erste MP3 lokal, ist jedes längere Manuskript nur eine Wiederholung desselben Ablaufs.

Text-to-Speech öffnen.