Schweizerdeutsche Text-to-Speech-KI

Schweizer Radio spielt Audiospots immer feiner nach Region aus. Ein Spot, der in Zürich, Bern und Basel im jeweiligen lokalen Dialekt klingt, wird als näher und glaubwürdiger wahrgenommen als eine einzelne hochdeutsche Fassung. Genau hier entsteht Aufwand: Für jede Region braucht es eine eigene sprachliche Anpassung und eine eigene Vertonung.

Klassisch bedeutet das mehrere manuelle Produktionsschritte pro Dialekt, von der Umformulierung des Textes bis zur Studioaufnahme mit einer lokalen Sprecherin oder einem lokalen Sprecher. Das ist zeitintensiv und wenig flexibel, sobald Texte kurzfristig angepasst oder viele Varianten erzeugt werden sollen.

Das Ziel von ORO Solutions ist ein automatisierter, skalierbarer Workflow: hochdeutscher Werbetext hinein, radiofertiger Audiospot im gewünschten Schweizer Dialekt heraus. Die Lösung überführt Standardsprache in regional passendes Schweizerdeutsch und vertont sie mit einer Text-to-Speech-Stimme in natürlicher Klangqualität.

Der Workflow ist als durchgängige Pipeline aufgebaut. Er nimmt hochdeutschen Werbetext entgegen und liefert einen fertigen Audiospot im Zieldialekt. Die vier Schritte greifen nahtlos ineinander.

• Eingabe: Der hochdeutsche Werbetext dient als Ausgangspunkt der Pipeline.
• Umformulierung: Der Text wird automatisch in den gewünschten Zieldialekt (Zürich, Bern oder Basel) übertragen.
• Vertonung: Eine feinabgestimmte Text-to-Speech-Stimme spricht den dialektalen Text in natürlicher Qualität ein.
• Ergebnis: Als Resultat entsteht ein radiofertiger Audiospot in der jeweiligen Region.

Für die dialektale Umformulierung vergleicht ORO Solutions LLM-basierte Ansätze mit dedizierten Modellansätzen. Für die Stimme wird eine schweizerdeutsche Stimme aus einer Sprecherstimme feinabgestimmt (Fine-Tuning).

ORO Solutions trainiert und evaluiert auf öffentlich dokumentierten schweizerdeutschen Korpora des SwissNLP-Vereins (swissnlp.org), des Schweizer Vereins für Natural Language Processing. Diese Datengrundlage ist fachlich fundiert und über die Region hinweg ausgewogen, was für verlässliche Dialektabdeckung entscheidend ist.

• STT4SG-350: rund 343 Stunden Audio, ausgewogen über alle Dialektregionen der Deutschschweiz.
• SDS-200: rund 200 Stunden, mit hochdeutschen Referenztexten als parallelem Bezug.
• SwissDial: paralleles, multidialektales Korpus für den Vergleich der Dialekte.

Die Forschungskorpora werden unter einer reinen Forschungslizenz genutzt (ResearchUsageOnly, keine Weiterverbreitung). ORO Solutions hält diesen Rahmen konsequent ein, ein Zeichen für professionellen und rechtlich sauberen Umgang mit Daten.

Quelle: SwissNLP, Datensatz-Übersicht (swissnlp.org).

Das Vorhaben verbindet zwei KI-Disziplinen zu einer Kette: die dialektale Umformulierung im Bereich Natural Language Processing und die Sprachsynthese im Bereich Text-to-Speech. Für die Umformulierung stellt ORO Solutions bewusst zwei Wege gegenüber: grosse Sprachmodelle (LLMs) und dedizierte, auf die Aufgabe zugeschnittene Modellansätze. So lässt sich für jeden Zieldialekt der jeweils passende Ansatz wählen.

Für die Stimme wird per Fine-Tuning aus einer Sprecherstimme eine schweizerdeutsche Text-to-Speech-Stimme abgestimmt. Damit klingt die Ausgabe nicht nach neutraler Standardsynthese, sondern nach einer natürlichen, regional verankerten Stimme.

Regionale Ansprache wirkt. Wer sein Publikum im vertrauten Dialekt anspricht, gewinnt Nähe und Aufmerksamkeit. Ein automatisierter Workflow macht diese Nähe wirtschaftlich skalierbar: Aus einem einzigen hochdeutschen Text entstehen mehrere regionale Fassungen, ohne für jede Region eine separate Studioproduktion aufsetzen zu müssen.

• Skalierbarkeit: mehrere Dialektvarianten aus einer Textquelle.
• Flexibilität: kurzfristige Textanpassungen fliessen direkt in neue Spots ein.
• Regionale Wirkung: Ansprache im lokalen Dialekt statt einer einzelnen Standardfassung.

Der Referenzfall zeigt, wie ORO Solutions KI, NLP und Sprachtechnologie zu einer anwendungsnahen Lösung zusammenführt. Als Forschungs- und Proof-of-Concept-Projekt im Rahmen einer Bachelorarbeit an der FHNW verbindet das Vorhaben akademische Sorgfalt mit einem konkreten, marktnahen Anwendungsfall. Diese Kombination aus Methodik, sauberem Datenumgang und klarem Nutzenbezug ist charakteristisch für die Arbeitsweise von ORO Solutions in der angewandten KI.

Regionale Vertonung ist im Schweizer Radiomarkt ein echter Vorteil, und ihre Produktion war bisher aufwendig. Der Workflow von ORO Solutions macht sie automatisierbar und skalierbar: Standardsprache hinein, regionaler Schweizer Audiospot heraus.

Als angewandtes Forschungsprojekt zu Schweizerdeutsch, Sprachverarbeitung und Sprachsynthese unterstreicht der Fall die Kompetenz von ORO Solutions in KI und Sprachtechnologie und zeigt, wie sich diese Fähigkeiten in einen konkreten, wertvollen Anwendungsfall überführen lassen.