Text-to-Speech Modelle - Vergleich
==================================

Einleitung
----------

Text-to-Speech (TTS) Technologien haben in den letzten Jahren erhebliche Fortschritte gemacht. Moderne Systeme ermöglichen es, geschriebenen Text in natürlich klingende Sprache umzuwandeln, die für verschiedene Anwendungen wie Sprachassistenten, Hörbücher oder Barrierefreiheit genutzt werden kann. In dieser Dokumentation vergleichen wir drei aktuelle TTS-Modelle – Edge-TTS, PiperTTS und Tacotron 2 – jeweils in den deutschen und englischen Sprachversionen. Dabei betrachten wir Kriterien wie Deutlichkeit, Natürlichkeit, Flüssigkeit, Interpunktion, Umgang mit Abkürzungen und Zahlen sowie Anpassbarkeit.

Grundlagen
----------

Jedes TTS-System basiert auf komplexen Algorithmen, die Sprache synthetisieren, indem sie Phoneme, Intonation, Rhythmus und Pausen modellieren. Die Qualität der Sprachausgabe hängt stark von der zugrundeliegenden Linguistik, der verwendeten Stimmdatenbank und der Modellarchitektur ab. Zudem beeinflussen Features wie Emotionssteuerung oder Anpassbarkeit der Stimme und des Tempos die Einsatzmöglichkeiten.

Die folgenden Kriterien wurden zur Bewertung herangezogen:

- **Deutlichkeit:** Wie klar und verständlich wird der Text ausgesprochen?  
- **Natürlichkeit:** Wie natürlich und weniger synthetisch klingt die Stimme?  
- **Flüssigkeit:** Wie gleichmäßig und ohne Störgeräusche oder Pausen klingt der Sprachfluss?  
- **Interpunktion:** Werden Kommas, Punkte und andere Satzzeichen richtig erkannt und als Pausen umgesetzt?  
- **Abkürzungen & Symbole:** Werden gängige Abkürzungen und Symbole korrekt ausgesprochen?  
- **Zahlen & Datum:** Wie gut werden Zahlen, Datums- und Zeitangaben gelesen?  
- **Anpassbarkeit:** Welche Möglichkeiten zur Steuerung von Stimme, Tempo, Lautstärke und Stimmung sind gegeben?

Modelle im Vergleich
--------------------

Edge-TTS
~~~~~~~~

Edge-TTS [#edgetts]_ ist ein modernes TTS-System mit klarer und natürlicher Sprachqualität sowohl im Deutschen als auch im Englischen. [#edgettsonlinedemo]_

**Stärken:**  
Edge-TTS überzeugt durch sehr deutliche Artikulation und einen flüssigen, gleichmäßigen Sprachrhythmus. Die Pausen nach Kommas und Punkten sind natürlich gesetzt, und auch die Tonhöhe bei Fragen wird angemessen angehoben, was die Verständlichkeit erhöht. Abkürzungen wie „z. B.“ oder Zahlen werden korrekt ausgesprochen, und es stehen verschiedene Stimmen sowie dynamische Anpassungsmöglichkeiten für Sprechtempo und Lautstärke zur Verfügung.

**Schwächen:**  
Trotz hoher Qualität klingt die Stimme leicht synthetisch, was die Natürlichkeit minimal beeinträchtigt. Bei langen, zusammengesetzten Wörtern wie „Sprachqualitätstest“ kann die Aussprache abgehackt wirken. Außerdem bietet Edge-TTS keine explizite Emotionssteuerung oder tiefgreifende Klangfarbanpassungen.

### Installation

Zur Installation von Edge TTS und der Unterstützung für asynchrone Ausführung:

.. code-block:: python

    import sys
    import subprocess

    print("Installiere Edge TTS und nest_asyncio...")
    subprocess.run([sys.executable, "-m", "pip", "install", "edge-tts", "nest_asyncio"], check=True)

### Beispiel: Audioausgabe in Jupyter/IPython

.. code-block:: python

    from IPython.display import Audio
    Audio(filename="audiofiles/edge_english.wav")

---

PiperTTS
~~~~~~~~

PiperTTS [#pipertts]_ bietet klare Aussprache und einen durchgehend gleichmäßigen Sprachfluss, zeigt aber Unterschiede zwischen den Sprachversionen.

**Stärken (Englisch):**  
Die englische Version von PiperTTS zeichnet sich durch eine sehr klare Deutlichkeit und einen flüssigen, natürlichen Rhythmus aus. Interpunktion wird gut umgesetzt, und Zahlen, Datumsangaben sowie Abkürzungen werden korrekt ausgesprochen. Zudem gibt es eine Auswahl an Stimmen und Tonhöhenanpassungen.

**Schwächen (Englisch):**  
Das Timbre wirkt monotone und technisch-neutral, emotionale Nuancen fehlen. Die Sprechgeschwindigkeit ist nicht anpassbar und Pausen wirken gelegentlich leicht synthetisch. Für emotional anspruchsvolle Sprachaufnahmen ist PiperTTS daher weniger geeignet.

**Stärken (Deutsch):**  
Auch die deutsche Version ist grundsätzlich gut verständlich, mit zuverlässig umgesetzter Interpunktion und korrekter Aussprache von Symbolen wie Euro- oder Prozentzeichen. Es gibt ebenfalls mehrere Stimmen und Tonhöhenoptionen.

**Schwächen (Deutsch):**  
Die Stimme wirkt monotone und künstlich, die Artikulation ist nicht immer einheitlich, und Abkürzungen wie „Dr.“ werden teilweise buchstabenweise ausgesprochen statt ausgeschrieben. Die Aussprache von Datumsangaben ist fehlerhaft, und die Sprechgeschwindigkeit lässt sich nicht variieren. Ebenso fehlt eine Emotionssteuerung.

### Beispiel: Audioausgabe in Jupyter/IPython

.. code-block:: python

    from IPython.display import Audio
    Audio(filename="audiofiles/Pipertts_englisch.wav")

---

Tacotron 2 
~~~~~~~~~~

Tacotron 2 [#tacotron2]_ ist ein auf Deep Learning basierendes TTS-System, das vor allem im Englischen bessere Ergebnisse liefert als in Deutsch.

**Stärken (Englisch):**  
Die englische Version liest Wörter klar und verständlich, Abkürzungen werden korrekt ausgesprochen, und es besteht die Möglichkeit, die Tonhöhe der Stimme anzupassen.

**Schwächen (Englisch):**  
Das Timbre klingt künstlich und monoton, die Pausensetzung funktioniert nicht gut, was den Sprachfluss unnatürlich macht. Zahlen und Datumsangaben werden oft falsch ausgesprochen, und weder die Sprechgeschwindigkeit noch die Stimmtypen sind veränderbar. Eine Emotionssteuerung fehlt ebenfalls.

**Stärken (Deutsch):**  
Abkürzungen werden korrekt ausgesprochen, und der Sprachfluss ist durchgängig ohne hörbare Artefakte. Die Tonhöhe kann angepasst werden.

**Schwächen (Deutsch):**  
Die deutsche Version spricht mit starkem englischem Akzent, wodurch die Verständlichkeit leidet. Pausen nach Satzzeichen fehlen komplett, Zahlen und Datum werden auf Englisch ausgesprochen, und die Stimme ist monoton. Auch hier gibt es keine Anpassungsmöglichkeiten bei Tempo, Stimmtyp oder Emotionen.

### Beispiel: Audioausgabe in Jupyter/IPython

.. code-block:: python

    from IPython.display import Audio
    import os

    audio_path = "audiofiles/english.wav"
    Audio(audio_path)

Gesamtbewertung
---------------

Insgesamt zeigt sich, dass Edge-TTS sowohl für Deutsch als auch Englisch die beste Balance zwischen Deutlichkeit, Natürlichkeit und Anpassbarkeit bietet. Besonders die natürlich wirkende Pausensetzung und die korrekte Umsetzung von Abkürzungen und Zahlen machen Edge-TTS sehr überzeugend.

PiperTTS punktet vor allem in der englischen Version mit Klarheit und Flüssigkeit, leidet jedoch unter einer technisch anmutenden Stimme und mangelnder Emotionssteuerung. Die deutsche Version von PiperTTS ist weniger ausgereift, mit Schwächen bei Abkürzungen und Datumsformaten.

Tacotron 2 erreicht im Englischen zwar eine verständliche Aussprache und Tonhöhenanpassung, ist aber insgesamt durch monotone Stimme, fehlende Pausen und schlechte Datumsverarbeitung eingeschränkt. Die deutsche Version ist kaum brauchbar aufgrund des starken Akzents und der fehlenden natürlichen Sprachmerkmale.

Die folgende Tabelle fasst die qualitative Einschätzung zusammen:

- **Edge-TTS:** Sehr klar, natürlich und flüssig; gute Interpunktion und Anpassbarkeit; leichte synthetische Untertöne; keine Emotionssteuerung.  
- **PiperTTS (Englisch):** Klar und flüssig mit guter Interpunktion; monotone Stimme; keine Tempo- und Emotionssteuerung.  
- **PiperTTS (Deutsch):** Verständlich, aber monotone Stimme und inkonsistente Aussprache; fehlerhafte Abkürzungs- und Datumswiedergabe; keine Anpassbarkeit bei Tempo und Emotionen.  
- **Tacotron 2 (Englisch):** Verständlich, mit Tonhöhenanpassung; monoton und ohne natürliche Pausen; eingeschränkte Datums- und Zahlenwiedergabe; keine Anpassbarkeit bei Tempo oder Stimmung.  
- **Tacotron 2 (Deutsch):** Starke englische Akzentuierung; monotone und unnatürliche Wiedergabe; keine Pausensetzung; keine Anpassbarkeit.

Diese Ergebnisse bieten eine gute Grundlage für die Wahl des passenden TTS-Systems je nach Anwendungsfall.

.. [#edgetts] https://github.com/rany2/edge-tts
.. [#edgettsonlinedemo] https://speech.microsoft.com/portal/voicegallery
.. [#pipertts] https://github.com/rhasspy/piper
.. [#tacotron2] https://github.com/NVIDIA/tacotron2