Sprachsynthese
Eine überzeugende schweizerdeutsche Stimme ist heute technisch machbar. Der Weg dorthin führt über sauber aufbereitete Daten, gezieltes Fine-Tuning und einen klaren rechtlichen Rahmen. Dieser Beitrag erklärt, wie das Training funktioniert, welche Daten es gibt und worauf man bei Stimme und Datenschutz achten muss.
Text-to-Speech (TTS) wandelt geschriebenen Text in gesprochene Sprache um. Für Hochdeutsch und Englisch klingen moderne Systeme bereits sehr natürlich: Betonung, Sprechrhythmus und Klangfarbe kommen einer menschlichen Aufnahme nahe, und die Ergebnisse lassen sich in Telefonie, E-Learning, Barrierefreiheit oder Produktvideos einsetzen.
Bei Schweizerdeutsch wird es deutlich anspruchsvoller, aus zwei zentralen Gründen. Erstens sind Trainingsdaten selten: gesprochenes Schweizerdeutsch ist in grossen, sauber annotierten Mengen kaum frei verfügbar. Zweitens gibt es keine einheitliche Schreibweise. Dasselbe Wort wird je nach Dialekt und Person unterschiedlich geschrieben, und zwischen Zürichdeutsch, Berndeutsch oder Walliserdeutsch bestehen erhebliche Unterschiede in Aussprache und Wortschatz.
Dieses Zusammenspiel aus Datenknappheit und fehlender Standardorthografie ist der Grund, warum ein schweizerdeutsches TTS-System nicht einfach von der Stange kommt, sondern gezielt aufgebaut werden muss.
In der Praxis trainiert man ein schweizerdeutsches TTS-Modell fast nie von Grund auf neu. Stattdessen wird ein bereits vortrainiertes TTS-Modell durch Fine-Tuning angepasst. Ausgangspunkt ist eine konkrete Sprecherstimme: Mit genügend sauber aufbereiteten Aufnahmen lernt das Modell den Klang, den Rhythmus und die Aussprache genau dieser Stimme.
Der Vorteil ist doppelt. Das vortrainierte Modell bringt bereits ein allgemeines Verständnis von Sprache, Lauten und Prosodie mit, sodass für die Zielstimme deutlich weniger Aufnahmematerial nötig ist als bei einem Training bei null. Gleichzeitig bleibt die Identität der Stimme erhalten, weil das Fine-Tuning gezielt auf ein einzelnes Sprecherprofil ausgerichtet ist.
Die Pipeline eines TTS-Projekts besteht aus drei Hauptphasen: Datenaufbereitung, Training beziehungsweise Fine-Tuning und schliesslich die Synthese neuer Sätze. Der aufwendigste und qualitätsentscheidende Teil ist die Datenaufbereitung, denn ein Modell klingt nur so gut wie die Daten, mit denen es gelernt hat.
Erst dieses saubere, ausgerichtete Set aus Audio und Text macht ein stabiles Fine-Tuning möglich. Fehler in dieser Phase, etwa falsch zugeordnete Transkripte oder verrauschte Aufnahmen, schlagen später unmittelbar auf die Qualität der synthetischen Stimme durch.
Für Schweizerdeutsch existieren öffentlich dokumentierte Sprachkorpora. Kuratiert werden sie von der SwissNLP (swissnlp.org), dem Schweizer Verband für Natural Language Processing. Drei Datensätze sind besonders relevant:
Diese Forschungskorpora bilden eine solide Grundlage für die dialektale Breite eines Modells. Zusätzlich lassen sich projektspezifische Aufnahmen einer bereitgestellten Sprecherstimme ergänzen, damit das Fine-Tuning genau auf die gewünschte Zielstimme ausgerichtet ist.
Die genannten Korpora werden unter einer reinen Forschungslizenz bereitgestellt (META-SHARE ResearchUsageOnly, ohne Weitergabe). Das ist rechtlich entscheidend: Die Daten dürfen für Forschung genutzt, aber nicht weiterverbreitet werden, und eine kommerzielle Verwendung muss separat lizenziert werden.
Für ein Produktivprodukt heisst das, man kann diese Datensätze nicht ohne Weiteres als Grundlage einer verkauften Stimme verwenden. Wer kommerziell einsetzen will, klärt die Lizenz im Vorfeld mit den Rechteinhabern oder setzt auf eigene, sauber lizenzierte Aufnahmen. Dieser Punkt gehört an den Anfang eines Projekts, nicht ans Ende.
Eine Stimme ist kein neutrales Rohmaterial, sondern ein Persönlichkeitsmerkmal. Eine geklonte Stimme darf nur im vereinbarten Rahmen und mit Einwilligung der sprechenden Person genutzt werden.
Praktisch bedeutet das: Zweck, Umfang und Dauer der Nutzung sollten vertraglich festgehalten werden. Wird eine Stimme über den vereinbarten Rahmen hinaus eingesetzt, etwa für andere Kunden, andere Themen oder Werbung, kann das die Persönlichkeitsrechte der sprechenden Person verletzen. Ein klarer Einwilligungs- und Nutzungsrahmen schützt beide Seiten.
Sprachaufnahmen sind personenbezogene Daten. In der Schweiz gilt das revidierte Datenschutzgesetz (nDSG), bei einem EU-Bezug zusätzlich die DSGVO. Beide verlangen unter anderem eine klare Rechtsgrundlage, Zweckbindung und Transparenz gegenüber den betroffenen Personen.
Wer schweizerdeutsche Stimmen aufnimmt, verarbeitet und speichert, sollte deshalb von Beginn an festlegen, wo die Daten liegen, wer Zugriff hat, wie lange sie aufbewahrt werden und zu welchem Zweck sie verarbeitet werden. Datenschutz ist hier keine nachgelagerte Formalität, sondern Teil der Architektur des Projekts.
Eine überzeugende schweizerdeutsche Stimme ist mit heutiger Technik machbar. Entscheidend sind saubere Daten und ein klarer rechtlicher Rahmen. Wer ein Projekt startet, sollte die folgenden Punkte früh klären:
Wer Lizenzen, Stimmrechte und Datenschutz von Anfang an mitdenkt, kommt schneller zu einem tragfähigen Ergebnis als Projekte, die diese Fragen erst am Schluss stellen. Die Technik ist reif; der Unterschied liegt in der Sorgfalt bei Daten und Recht.
FAQ
Grundsätzlich braucht es Aufnahmen der Zielstimme, damit das Modell deren Klang lernt. Öffentliche Forschungskorpora liefern die dialektale Breite, ersetzen aber nicht die spezifischen Aufnahmen der gewünschten Sprecherstimme. Für einen kommerziellen Einsatz sind zudem sauber lizenzierte oder selbst erhobene Daten nötig.
Das hängt vom vortrainierten Modell und vom Qualitätsanspruch ab. Weil das Basismodell bereits allgemeines Sprachwissen mitbringt, ist meist deutlich weniger Material nötig als bei einem Training bei null. Wichtiger als die reine Menge ist die Qualität: saubere, gut ausgerichtete Aufnahmen ohne Störgeräusche.
Nicht ohne Weiteres. Datensätze wie STT4SG-350, SDS-200 und SwissDial stehen unter einer reinen Forschungslizenz und dürfen nicht weiterverbreitet werden. Eine kommerzielle Nutzung muss separat mit den Rechteinhabern geklärt werden.
Drei Bereiche: die Datenlizenz der Trainingsdaten, die Persönlichkeitsrechte an der Stimme (Einwilligung und vereinbarter Nutzungsrahmen) sowie der Datenschutz nach nDSG und gegebenenfalls DSGVO. Diese Punkte sollten vor Projektbeginn vertraglich geregelt sein.
Weil Trainingsdaten seltener sind und es keine einheitliche Schreibweise gibt. Dialekte unterscheiden sich stark in Aussprache und Wortschatz, und dieselbe Lautung wird unterschiedlich verschriftlicht. Das macht Datenaufbereitung und Modellierung aufwendiger.
Weiterlesen
