KI-AUDIOFILTER
Der KI-Audiofilter von Audiofilter für Text-zu-Sprache verwandelt geschriebene Worte auf deinem eigenen Rechner in natürliche Sprache. Wähle eine von 19 kostenlosen Stimmen oder klone eine neue aus einer einzigen kurzen Aufnahme, tippe deinen Text und drücke Umwandeln. Wie jeder Audiofilter auf dieser Seite läuft das Modell in der Seite selbst — dein Text und deine Aufnahmen verlassen diesen Browser nie.
SharedArrayBuffer, wofür die Header
Cross-Origin-Opener-Policy und Cross-Origin-Embedder-Policy
sowie ein sicherer Kontext nötig sind (localhost oder HTTPS). Wenn du gerade die Servereinstellungen geändert hast, lade die Seite hart neu (Strg/Cmd + Umschalt + R).
SharedArrayBuffer und einen WebAssembly-Heap, der auf 1,5 GB wachsen kann, und mit dieser Kombination kommen Chrome und Edge am berechenbarsten zurecht. Firefox und Safari haben die Threads und
SharedArrayBuffer zwar auch, setzen dem WebAssembly-Speicher aber eine niedrigere Obergrenze — einen Versuch sind sie also wert: Wenn die Engine nicht startet oder mittendrin aufhört, wechsle zu Chrome. Chrome auf dem Handy oder Tablet funktioniert ebenfalls; der erste Download und jede Erzeugung dauern auf einem Handy-Prozessor nur länger. Die anderen vier Audiofilter-Werkzeuge haben diese Anforderung nicht und laufen überall.
Text-zu-Sprache und Voice-Cloning — kostenlos, unbegrenzt, nichts wird hochgeladen
Tippe auf den kleinen Knopf zum Vorhören
Nur beim ersten Durchlauf — danach ist alles zwischengespeichert.
Nur Englisch
Höhere Werte lassen das Modell einen Satz etwas länger offen halten, bevor es ihn beendet. Der Effekt ist subtil — über den ganzen Bereich etwa eine Sekunde.
Eine kurze Demonstration, aufgenommen von Audiofilter.
Video wird geladen… Das Video ist hier nicht verfügbar. Nutze den X-Link unten.Beim Abspielen dieses Videos werden Inhalte von X geladen. Es gilt die Datenschutzerklärung von X.
Drei Schritte, keine Anmeldung
Beginne mit einer der neunzehn eingebauten Stimmen oder erstelle eine neue aus einer einzigen Aufnahme — lege eine Audiodatei ab oder nimm etwa zehn Sekunden direkt mit deinem Mikrofon auf. Es gibt keinen Trainingsschritt und keine Warteschlange: Die Stimme ist fertig, sobald der Clip eingelesen ist.
Füge bis zu 500 Zeichen ein und lege dann fest, wie sie gelesen werden sollen. Die Ausdrucksstärke bestimmt, wie stark der Vortrag zwischen Durchläufen variiert, und die Pausenregler legen fest, wie lange das Modell zwischen Sätzen und bei Kommas ruht — der Unterschied zwischen einem flotten Vorlesen und einer unaufgeregten Erzählung.
Das Audio beginnt zu spielen, während es entsteht, du hörst die ersten Worte also, bevor die letzten existieren. Fahre durch die Wellenform, um es zu prüfen, und speichere das Ergebnis dann als MP3, AAC oder WAV. Jede Umwandlung nach der ersten beginnt sofort, weil das Modell bereits auf deinem Rechner liegt.
Kein Konto, kein Kontingent, kein Wasserzeichen
Ein kurzer Clip genügt, um eine Stimme zu klonen. Nichts wird nachtrainiert und nichts gespeichert — der Clip wird im Browser in ein kompaktes Stimm-Embedding verwandelt, so lange genutzt, wie der Tab offen ist, und ist dann weg.
Es gibt kein Backend und keinen API-Schlüssel, und das ist die einzige Werkzeugseite ohne Werbung. Das Sprachmodell selbst ist nach WebAssembly kompiliert und läuft in der Seite, dein Text und deine Aufnahmen haben also schon im Prinzip nirgendwohin zu gehen.
Jede eingebaute Stimme steht unter CC0, das heißt, das erzeugte Audio ist kommerziell frei nutzbar, ohne dass etwas genannt werden muss — für ein kostenloses Text-zu-Sprache-Werkzeug ungewöhnlich.
Stelle Ausdrucksstärke, die Pause zwischen Sätzen und ein, ob Kommas als Atemzüge behandelt werden. Es gibt außerdem eine Schwelle für das Satzende, um eine Phrase einen Moment länger offen zu halten, bevor sie sich auflöst.
Auch die Downloads werden auf deinem Gerät kodiert, die fertige Datei macht also ebenfalls keinen Umweg über einen Server. WAV wird sofort geschrieben, MP3 und AAC laufen durch einen lokalen Encoder.
Das Modell wird beim ersten Umwandeln zwischengespeichert, spätere Besuche überspringen den Download also ganz und die Erzeugung startet in dem Moment, in dem du Umwandeln drückst.
Was auf dieser Seite die Sprache erzeugt
Die Stimmerzeugung hier ist PocketTTS, eine neuronale Sprachsynthese-Engine, ausgeführt über ONNX Runtime, kompiliert nach WebAssembly. Sie läuft in diesem Browser-Tab, dein Text und jede Stimmprobe, die du gibst, bleiben also auf deinem eigenen Gerät.
Voice-Cloning ist Zero-Shot: Eine kurze Probe wird auf ein kompaktes Stimm-Embedding reduziert und damit die Synthese konditioniert. Nichts wird nachtrainiert, nichts hochgeladen, und das Embedding verschwindet, wenn du den Tab schließt.
Nein. Es gibt kein Backend und keinen API-Aufruf. Das Modell läuft in diesem Browser-Tab, und dein Text und deine Aufnahmen bleiben auf deinem Gerät.
Ja. Es gibt kein Konto, keine Testphase, kein Zeichenkontingent und kein Wasserzeichen. Weil die Arbeit auf deinem eigenen Rechner statt auf einem Server passiert, gibt es überhaupt nichts abzurechnen.
Ja. Jede eingebaute Stimme steht unter CC0 1.0, die erzeugte Sprache gehört dir also für alles, auch für kommerzielle Arbeit, ohne Namensnennung. Audio aus einer Stimme, die du selbst geklont hast, gehört ebenso dir.
Das Modell muss einmal geholt werden, bevor überhaupt etwas erzeugt werden kann. Danach hält dein Browser es im Cache und Umwandeln antwortet sofort.
Sechs bis zwölf Sekunden, in denen eine Person klar spricht, ohne Hintergrundmusik, Echo oder andere Stimmen. Länger ist nicht besser — Clips über fünfzehn Sekunden werden gekürzt.
Bis zu 500 Zeichen pro Umwandlung, das sind etwa achtzig Wörter oder eine halbe Minute Sprache. Wie viele Umwandlungen du laufen lässt, ist nicht begrenzt, längere Skripte lassen sich also Absatz für Absatz erledigen.
Englisch. Das Modell wurde auf englischer Sprache trainiert und jede eingebaute Stimme ist eine englische Leserin oder ein englischer Leser, Englisch ist also die einzige Sprache, die es korrekt ausspricht. Französisch, Deutsch, Spanisch, Portugiesisch, Italienisch und Niederländisch erzeugen Ton, aber mit englischen Ausspracheregeln darauf. Chinesisch, Japanisch und Koreanisch funktionieren nicht: Der Tokenizer hat keine Stücke für diese Schriften, der Text wird also auf rohe Bytes reduziert, die das Modell nie gesehen hat. Die bei den Stimmen genannten Akzente sind Akzente des Englischen, keine eigenen Sprachen.
MP3, AAC oder WAV. Auch der Encoder läuft auf deinem Gerät, die fertige Datei wird also nie irgendwohin gesendet, bevor du sie speicherst.
Bevorzuge Chrome; Edge verhält sich genauso, und Chrome auf dem Handy oder Tablet funktioniert auch — der erste Download und jede Erzeugung dauern auf einem Handy-Prozessor länger, aber das Werkzeug läuft. Die Engine braucht WebAssembly-Threads und SharedArrayBuffer, die ältere Browser nicht haben, und einen WebAssembly-Heap, der auf 1,5 GB wachsen kann — bei diesem letzten Punkt setzen Firefox und Safari eine niedrigere Obergrenze, die Engine startet dort also womöglich nicht oder hört mittendrin auf. Probier sie ruhig aus und wechsle zu Chrome, wenn es scheitert. Das gilt nur für Text-zu-Sprache; Vocal Remover, Rauschentfernung und Konverter laufen in jedem aktuellen Browser.
Sobald das Modell zwischengespeichert ist, braucht das Erzeugen von Sprache überhaupt kein Netz. Die Seite selbst muss aber noch laden, für das erste Öffnen in einer Sitzung brauchst du also eine Verbindung.
Die Seite muss mit den COOP- und COEP-Headern über localhost oder HTTPS ausgeliefert werden. Wenn die Einstellung gerade geändert wurde, lade hart neu, damit der Browser seine zwischengespeicherte Kopie nicht weiterverwendet.
Brauchst du einen anderen Audiofilter für eine Aufnahme, die du schon hast?
Vocal Remover öffnen → Rauschentfernung öffnen →