Glossar
Text-to-Speech (TTS)
Text-to-Speech ist die automatische Umwandlung von geschriebenem Text in gesprochene Sprache.
Auf dieser Seite
In einem Telefonassistenten ist TTS der letzte Schritt: Das Sprachmodell liefert einen Antworttext, die Sprachausgabe macht daraus Audio. Moderne Verfahren erzeugen die Stimme mit neuronalen Netzen und klingen deutlich natürlicher als frühere, aus Lautbausteinen zusammengesetzte Stimmen.
Für Telefonate zählen drei Eigenschaften: wie schnell die ersten Silben zu hören sind, wie die Stimme Zahlen, Namen und Abkürzungen ausspricht und ob Betonung und Pausen zum Inhalt passen. Getestet wird das am besten mit echten Sätzen aus dem Betrieb, etwa Adressen, Uhrzeiten und Produktnamen. Stimmen unterscheiden sich außerdem je Sprache; eine Stimme, die auf Englisch überzeugt, kann auf Deutsch einen Akzent haben.
In der Praxis
Im Betrieb wählst du eine Stimme und hörst sie dir mit eigenen Sätzen an, nicht mit dem Beispieltext des Herstellers. Schwächen zeigen sich bei Telefonnummern, Datumsangaben, Straßennamen, Fachbegriffen und englischen Produktnamen. Vieles lässt sich über die Formulierung lösen: „vierzehn Uhr dreißig“ statt „14:30“, kurze Sätze statt verschachtelter. Hör dir die Stimme außerdem am Telefon an und nicht nur über Kopfhörer. Das Telefonnetz überträgt weniger Höhen, und manche Stimme, die im Browser warm klingt, wirkt dort dumpf.
Ein Beispiel
Ein Hotel lässt Reservierungsanfragen von einem Assistenten annehmen. Beim Testanruf fällt auf, dass die Stimme den Namen des Hauses englisch ausspricht und die Zimmerkategorie „Deluxe“ auf der ersten Silbe betont. Außerdem liest sie „Check-in ab 15:00 Uhr“ als „fünfzehn null null Uhr“ vor. Das Team wählt eine andere deutsche Stimme und schreibt die Uhrzeit im hinterlegten Text als „ab fünfzehn Uhr“ aus. Danach klingt dieselbe Auskunft selbstverständlich.
Häufiges Missverständnis
Eine möglichst menschliche Stimme ist nicht das einzige Ziel. Am Telefon zählt Verständlichkeit mehr als Klangfülle, besonders für ältere Anrufer und bei schwacher Verbindung. Ein zweites Missverständnis: Die Stimme allein macht kein gutes Gespräch. Ist die Antwort zu lang oder kommt sie zu spät, hilft auch die angenehmste Stimme nicht. Und eine natürlich klingende Stimme ersetzt nicht den Hinweis, dass eine KI spricht.
Bei Call0
Bei Call0 wählst du die Stimme pro Agent. Die verfügbaren Stimmen kannst du vorher anhören.
Verwandte Begriffe:
Zum Thema:
Stand: 12. Oktober 2026