Der Blog, der sich selbst vorliest

Unter diesem Beitrag gibt es einen Abspielknopf. Wenn Sie ihn drücken, liest eine Stimme den Text vor — auch diesen Satz hier. Die Stimme kommt nicht von einem Cloud-Dienst. Sie entsteht auf meinem Notebook, und pro Wort kostet sie exakt null Rappen.

Dieser Teil erzählt, wie ein Blog seine eigene Stimme bekommt. Und er endet, das sage ich ehrlich vorweg, mit einem ungelösten Rätsel.

Warum nicht einfach eine Miet-Stimme?

Text-to-Speech gibt es als API zu kaufen, in hervorragender Qualität. Drei Gründe sprachen trotzdem für die eigene Lösung — dieselben drei wie überall in dieser Serie:

Die Texte bleiben im Haus. Beiträge wandern hier oft Tage vor der Veröffentlichung durch die Werkzeugkette. Bei einer Cloud-API läse ein Dritter jeden Entwurf mit.
Null Grenzkosten. Eine Miet-Stimme kostet pro Zeichen. Wer pro Beitrag zwei Sprachfassungen vertont und nach jeder Korrektur neu generiert, zahlt das Vielfache des Textes. Die eigene Stimme rechnet einmal — mit Strom.
Ein Agent kann sie bedienen. Die Vertonung ist ein Skript im Repo. Neuer Beitrag, Skript läuft, Audio liegt da. Kein Konto, kein Limit, keine Überraschung auf der Rechnung.

Das Werkzeug heisst Piper: ein schlankes, offenes TTS-System, das auf normaler Hardware läuft. Für Deutsch spricht ein Modell namens Thorsten, für Englisch eines namens Lessac. Beide zusammen belegen weniger Platz als ein halbes Dutzend Ferienfotos.

Das Problem mit dem «St»

Der erste Durchlauf klang gut — bis zum Serientitel. Aus «Own Your Stack» machte die deutsche Stimme etwas, das wie «Ohn Jur Schtack» klang. Kein Zufall: Das Modell kennt nur deutsche Aussprache, und im Deutschen wird das scharfe «St» am Wortanfang nun mal «scht» gesprochen. Stein, Strasse, Stack.

Ein Tech-Blog auf Deutsch ist voller solcher Fallen, denn er ist voller Englisch. Die naive Lösung — englische Wörter lautschriftlich hinschreiben — funktioniert nur halb: Das deutsche Modell kennt manche englischen Laute schlicht nicht; sein Lautinventar gibt sie nicht her.

Die Lösung, die blieb, ist ehrlicher: Englisch spricht die englische Stimme. Der Vertonungs-Skript kennt eine Liste englischer Phrasen — der Serientitel, Fachbegriffe wie «Architecture Decision Record» — und lässt genau diese Passagen vom englischen Modell sprechen. Dann werden die Tonschnipsel Sample-genau in den deutschen Strom eingefügt, auf die Abtastung exakt, damit an der Naht nichts knackt.

Dass es dabei um Hundertstelsekunden und einzelne Samples geht, ist kein Perfektionismus. Es ist Vorausdeutung.

Feintuning mit Messwerten statt Bauchgefühl

Die Rohstimme sprach zu schnell und nuschelte bei harten Konsonanten. Die Stellschrauben dafür hat Piper eingebaut: Sprechtempo, Betonungsvarianz, Artikulationsschärfe. Nur — woher weiss man, welche Einstellung besser ist?

Hier wurde es zum ersten Mal seltsam schön: Der KI-Agent, der das alles gebaut hat, kann nicht hören. Also hat er sich Messwerte gesucht. Er liess eine Spracherkennung die generierten Audios zurück in Text übersetzen und verglich die Wort-Konfidenzen — wie sicher sich die Erkennung bei jedem Wort war. Einstellung ändern, neu generieren, neu vermessen. Die Artikulation wurde messbar präziser, nicht gefühlt.

Ein tauber Toningenieur, der nach Zahlen mischt. Merken Sie sich das Bild.

Und dann kam der Morgen mit dem Rauschen

Das System lief. Zwei Sprachen, saubere Nähte, vermessene Aussprache. Die Audios gingen in die Pipeline, der Player auf die Seite.

Dann, eines Morgens: lautes weisses Rauschen, mitten im Text. Nicht am Anfang, nicht am Ende — mittendrin. Sekundenlang. Dann wieder klare Stimme. Dann wieder Rauschen. Mal betraf es einen Absatz, mal eine halbe Minute.

Ich habe getan, was man tut: Logs gelesen. Nichts. Das Skript lief fehlerfrei durch, jede Zeile grün. Neu generiert — Rauschen an anderer Stelle. Nochmal — wieder woanders. Kein Muster, kein Fehler, kein Absturz. Nur dieses Rauschen, das kam und ging, als hätte es eigene Pläne.

Jeder, der Software betreibt, kennt diese Sorte Fehler: nicht reproduzierbar, kein Stacktrace, «works on my machine». Es ist die teuerste Sorte.

Und hier war sie besonders: Der Fehler war hörbar — aber der Ermittler, mein Agent, hat keine Ohren.

Wie man einen Fehler findet, den man nur hören kann, wenn man nicht hören kann: Teil 2, am Donnerstag.

Am besten prüfen Sie das Ergebnis gleich selbst: Der Abspielknopf oben liest diesen Beitrag vor — mit genau der Stimme, um die es hier ging.